西瓜书

计算机视觉论文-2021-07-14

本专栏是计算机视觉方向论文收集积累，时间：2021年7月14日，来源：paperdigest欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！
SophiaCV·2022-11-20 11:00

机器学习之决策树【西瓜书】

当一个有经验的老农看一个瓜是不是好瓜时，他可能会先看下瓜的颜色，一看是青绿的，心想有可能是好瓜；接着他又看了下根蒂，发现是蜷缩着的，老农微微点头，寻思着五成以上是好瓜；最后他又敲了下瓜，一听发出浑浊的响声，基本确定这个瓜是个好瓜！决策树便是模拟“老农判瓜”的过程，通过对属性的层层筛选从而得到当前样本的分类。可是，问题在于，老农判瓜依据的是其多年判瓜经验，计算机如何获得这些“识瓜经验”呢？又如何知道
Infinity_and_beyond·2022-11-20 10:59

《机器学习》Chapter 1 绪论——机器学习中的基本概念和术语

《机器学习》Chapter1绪论机器学习中的基本概念和术语首先，通过思维导图来描述一下西瓜书第一章的知识内容与结构。
Yozu_Roo·2022-11-20 10:50

【机器学习】西瓜书 03 线性回归模型

03线性模型文章目录03线性模型机器学习三要素3.1一元线性回归算法原理3.1.1最小二乘法3.1.2极大似然估计法3.2参数估计凸集凸函数凸充分性定理梯度Hessian矩阵3.2.1证明E(w,b)E_{(w,b)}E(w,b)是关于www和bbb的凸函数3.2.2求解损失函数的参数3.2.3向量化3.2.4多元线性回归3.2.5矩阵微分3.2.6对数线性回归3.3Logistic回归（解决分类
Biophilia_hyb·2022-11-20 09:33

西瓜书笔记16-2:逆强化学习

感谢康傲同学的深刻讨论与精彩讲解.目录逆强化学习概述强化学习与逆强化区别逆向强化学习分类学徒学习学徒学习思想相关定义算法描述学徒算法找最优策略\(\tilde{\pi}\)逆强化学习概述参考:https://zhuanlan.zhihu.com/p/26682811强化学习与逆强化区别强化学习是求累积回报期望最大时的最优策略，在求解过程中立即回报是人为给定的。人在完成具体任务时,指定回报函数的方法
lagoon_lala·2022-11-20 09:27

《机器学习》西瓜书读书笔记|基本术语

《机器学习》西瓜书读书笔记|基本术语http://blog.sina.cn/dpool/blog/s/blog_cfa68e330102yd1w.html?
追求卓越583·2022-11-20 08:03

周志华西瓜书笔记 1.2 基本术语

我原本想着一边读一边删减一些以后好复习的,谁知这书一句废话没有,一晚上敲了个寂寞1.2基本术语关于西瓜的数据:(色泽===青绿;根蒂===蜷缩;敲声===浊响)(色泽===乌黑;根蒂===稍蜷;敲声===沉闷)(色泽===浅白;根蒂===硬挺;敲声===清脆)  一对括号内是一条记录,"===“意思是"取值为”.  一组记录的集合称为一个"数据集"(dataset),每条记录是关于一个事件或对象(
0ng·2022-11-20 08:31

西瓜书第五章习题及答案

本题目证明参考链接如果神经网络只使用一个sigmoid函数，此时的神经网络等同于对数几率回归，但是不同的是，对数几率回归通常用于一个二分类问题，对于输出的结果通常需要跟一个阈值进行比较（比如大于0.5时归类为正例，小于0.5时归类为反例）本题证明中所用到的公式是书上P101-P104上所给的，下面的图片由两部分组成，基础差的看part-one部分，基础好的，并且对书上公式很了解的可以直接看part
小鹿学程序·2022-11-20 08:59

Python手撸机器学习系列（六）：决策树（附Python实现西瓜书决策树构建及剪枝代码）

目录决策树一、ID3决策树1.1信息熵1.2信息增益1.3数据集1.3ID3决策树基础代码实现二、C4.5决策树2.1增益率2.2C4.5决策树基础代码实现三、CART决策树3.1基尼指数3.2CART决策树基础代码实现四、决策树剪枝五、连续值决策树、缺失值决策树六、参考文献及联系方式决策树根据划分方法不同可以分为ID3、CART、C4.5三种决策树一、ID3决策树1.1信息熵决策树算法的关键在于
锌a·2022-11-20 08:28

读西瓜书笔记（一）绪论

读西瓜书笔记（一）绪论（一）什么是机器学习机器学习致力于研究如何通过计算的手段，利用经验来改善自身的性能。
謙卑·2022-11-20 08:28

西瓜书 周志华 机器学习第一章 绪论

1.什么是机器学习?人区别于机器，更多是基于经验累积起来的个体。比如今天我起床看见天空有点儿灰暗，没有太阳，那我就可以初步预判今天应该是会下雨。走在路上发现，风越吹越大，蜻蜓也在低飞，天越来越黑，这时你知道要下雨了，而且根据以往十几年来的经验判断，这雨还不小，我得赶紧找个地方躲起来。人呢遇到事多了，就积累了经验，从而下次有新的情况时，能用经验做出判断和决策。机器学习，与以往的你编程让机器做什么它就
kelly old uncle·2022-11-20 08:27

《机器学习》周志华读书笔记（一）绪论

全文第1章绪论部分重点介绍了机器学习中的【1】基本术语；【2】假设空间；【3】归纳偏好；【4】发展历程与现状【1】基本术语以一批西瓜为例（估计这就是西瓜书的由来）：（色泽=青绿；根蒂=蜷缩；敲声=浊响）
南梦倾寒·2022-11-20 08:26

《机器学习》（西瓜书）周志华 -学习心得

第一章绪论基本术语记录&示例&样本：“=”，意思是取值为，每一条记录是关于一个对象或事件的描述。eg：(色泽=浅白；根蒂=硬挺；敲声=清脆）数据集：记录的集合D={x~1，x~2，x~3，x~4......,x~m},其中每个示例x~i=(x~i~1,x~i~2，x~i~3，x~i~d),d为样本空间的维度（~表示下标），x~i~j=x~i在第j个属性上的1取值属性&特征：反映事件或对象在某方面的
qq_41934903·2022-11-20 08:26

机器学习西瓜书泛读笔记(一)

原文转自：周志华《机器学习》读书笔记(一)本书前几章讲的都是基本术语，最硬核的数学部分很少，所以比较简单。机器学习的主要内容，是从数据产生模型，再由模型做出相应的判断和预测。比如已经知道某房屋所在街区的其他房屋的价格，通过给这些面积，价格等各异的其他房屋的数据进行分析，产生模型，利用此模型来预测本房屋的市场价格。一.基本术语对一批西瓜，我们能够观察了解到色泽、根蒂、敲声等特征。比如现在得到的数据如
moyu916·2022-11-20 08:25

DataWhale西瓜书第一第二章学习笔记

视频绪论人工智能机器学习深度学习计算机视觉自然语言处理推荐系统高等数学：会求偏导数线性代数：会矩阵运算概率论与数理统计：随机变量是什么内容定位：西瓜书里的算法的公式推导本科数学视频：张宇考研数学系列第一章
akriver·2022-11-20 08:53

西瓜书笔记系列 - 第1章 绪论 - 1.2 基本术语

西瓜书笔记系列-目录1.2基本术语术语集见文末。因为是边读边做的笔记，且是第一次读这本书的笔记，所以除了零零散散添加的想法以外，做得有点像单纯的转述摘抄了。
FSHelix·2022-11-20 08:52

西瓜书浅读

西瓜书浅读第一二章前言：笔者最开始接触机器学习这个词语时，很是费解，机器如何学习？在笔者以往经验中，学习是有机生物体才有拥有的能力。
一缕阳光R·2022-11-20 08:21

机器学习（西瓜书1、2章）

机器学习【1、2章】2.1经验误差与拟合误差：学习器的实际预测输出与样本的真实输出之间的差异称为“误差”；过拟合：当学习器把训练样本学得太过了，导致泛化能力下降；2.2评估方法留出法、交叉验证法、自助法、调参与最终模型；2.3性能度量错误率与精度、查准率查全率、ROC与AUC、代价敏感错误率与代价曲线；2.4比较检验先假设经验、交叉验证t检验、Friedman与Nemenyi检验；2.5偏差与方差
qq_44138217·2022-11-20 06:55

西瓜书＋南瓜书第5章神经网络

目录5.1神经元模型5.1.1M-P神经元模型5.1.2神经网络5.2感知机与多层网络5.2.1感知机5.2.2多层前馈网络5.3误差逆传播算法（BP）5.3.1算法介绍5.3.2算法工作流程5.3.3处理过拟合问题5.4全局最小和局部极小5.1神经元模型5.1.1M-P神经元模型在这个模型中，神经元接受到来自n个其他神经元传递过来的输入信号，这些输入信号通过带权重的连接进行传递，神经元接受到的总
煞拉一Q·2022-11-20 06:14

西瓜书+南瓜书第九章 聚类

第九章聚类9.1聚类任务9.2性能度量9.3距离计算9.3.1距离定义9.3.2明可夫斯基距离9.3.3VDM度量9.4原型聚类（kmeans）9.5密度聚类（DBSCAN）9.6层次聚类（AGNES）9.1聚类任务聚类试图将训练样本划分为若干个不相交的子集，每个子集称为一个簇，每个簇可能对应于一些潜在的概念但是这些概念对聚类算法而言事先是未知的。聚类既能作为一个单独过程，用于找寻数据内在的分布结
煞拉一Q·2022-11-20 06:14

Task01：概览西瓜书+南瓜书第1、2章（2天）

第一章绪论1.1引入机器学习引用周老师西瓜书对机器学习的解释：若计算机科学是研究关于算法的学问，则机器学习可以说是关于学习算法的学问。
如鹤_搏鹰·2022-11-20 06:41

【datawhale】西瓜书+南瓜书阅读第1、2章笔记

chapter1绪论机器学习：通过计算手段，利用经验来改善系统自身性能。模型：泛指从数据中学到的结果分类：预测离散值回归：预测连续值预测过程称为“测试”根据训练数据是否拥有标记信息，学习任务可大致划分为两大类"监督亦称啃导f币学习"和学习"(supervisedlearning)和"无监督学习"学得模型适用于新样本的能力，称为"泛化"(generalization)能力归纳(induction)与
照旧的你好·2022-11-20 06:09

【DW组队学习—吃瓜教程】task4：概览西瓜书+南瓜书第5章

参考资料：1、周志华《机器学习》2、B站up主‘二次元的Datawhale’《【吃瓜教程】《机器学习公式详解》（南瓜书）与西瓜书公式推导直播合集》
0_×·2022-11-20 06:06

【DW组队学习—吃瓜教程】task3：概览西瓜书+南瓜书第4章

参考资料：1、周志华《机器学习》2、B站up主‘二次元的Datawhale’《【吃瓜教程】《机器学习公式详解》（南瓜书）与西瓜书公式推导直播合集》
0_×·2022-11-20 06:05

西瓜书+南瓜书--打卡（第一次）

由于高中数学，以及大学数学已经还给老师了，所以写的有点基础。均方误差期望=估计值=均值期望一般的表示为E(X),这里面的X表示的是事件。为了能让这个生动一点现在应该回忆起了高中数学的期望值的算法，也就是某一个事件X.现在要求平均正点率，如果平常来想的话，就直接把三种情况的正点率相加，然后除以3就可以了，但是在这里给出了每一种情况出现的概率，也就是给每一种情况赋予了权重，使得权重不再是1/n了。因此
努力上进的三心草·2022-11-20 06:35

【机器学习】啃“瓜”笔记002：啃“西瓜书+南瓜书”——第2章 模型评估和选择(上)

)写在最开始2.1经验误差和过拟合2.2评估方法2.2.1留出法2.2.2交叉验证法2.2.3自助法2.2.4调参和最终模型写在最后面啃"瓜Two"——模型评估和选择(上)写在最开始本篇文章用于梳理“西瓜书
Chuckie今天也要学习！·2022-11-20 05:03

【西瓜书+南瓜书】学习笔记1

第一章：绪论第二章：模型评估和选择2.1经验误差和过拟合经验误差：学习器在训练集上的误差。泛化误差：在新样本上的误差。过拟合：学习器把训练样本自身的一些特点当作了所有潜在样本都具有的一般性质。欠拟合：学习器连训练样本的一般性质也没有学好。2.2评估方法通常通过实验测试来对学习器的泛化误差进行评估模型的优劣，但是泛化误差在实际情况中难以计算，因此取**测试误差**作为**泛化误差**的近似。2.2.
黎小强同学·2022-11-20 05:28

【西瓜书+南瓜书】学习笔记2

3.1基本形式给定属性示例x=(x1;x2;...xd)x=(x_{1};x_{2};...x_{d})x=(x1;x2;...xd)其中xix_{i}xi是xxx在第iii个属性上的取值，线性模型(linearmodel)试图学得一个通过属性的线性组合来进行预测的函数，即f(x)=w1x1+w2x2+...+wdxd+bf(x)=w_{1}x_{1}+w_{2}x_{2}+...+w_{d}x_
黎小强同学·2022-11-20 05:28

【西瓜书+南瓜书】学习笔记3

决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。如下图所示：划分选择决策树如何选择最优划分属性？一般而言，随着划分过程不断进行，我们希望决策树的分支结点所包含的样本尽可能属于同一类别，即结点的"纯度"(purity)越来越高。基于信息增益（informationgain）的ID3决策树信息熵（informationgain
黎小强同学·2022-11-20 05:28

Task01：概览西瓜书+南瓜书第1章、第2章

文章目录前言第1章第2章模型评估与选择参考前言之前的机器学习的笔记链接第1章上面公式的结论就是总误差与学习算法无关，无论效果多好或多坏，它们的期望性能是一样的，这是NFL定理（NoFreeLunchTheorem）没有“免费的午餐“定理这是你可能会想这学个屁算法，所有的学习算法和你瞎猜一样，真的是这样吗？显而易见不是的，上面定理存在的一个重要前提是就是f都是均匀分布，就是真实目标函数均匀分布，个人
数据闲逛人·2022-11-20 05:25

机器学习-吃瓜教程（西瓜书+南瓜书）-神经网络

datawhale-吃瓜教程-神经网络Task01：概览西瓜书+南瓜书第1、2章Task02：详读西瓜书+南瓜书第3章Task03：详读西瓜书+南瓜书第4章Task04：详读西瓜书+南瓜书第5章Task05
小740·2022-11-20 05:23

西瓜书 第一章归纳

2基本术语：分类任务（Classification）：预测结果为离散值，如西瓜的好坏回归任务（Regression）：预测结果为连续值，如西瓜的熟度二分类任务（BinaryClassification）：只涉及2个类别的任务多分类任务（Multi-classClassification）：涉及多个类别的任务聚类（clustering）：将训练集内的样例分成若干组，每组称为“簇”（cluster），
weixin_46050709·2022-11-20 03:03

西瓜书第一章、第二章读书笔记

注：此文章内容来源于周志华老师的西瓜书及DataWhale团队的南瓜书，此文章是本人在阅读前两章内容时，对自己认为的重要内容所做的读书笔记及思考。
星☆空·2022-11-20 03:59

西瓜书第一章与第二章

本文章用来记录自己学习西瓜书时的笔记，方面之后的重温复习。Cha1绪论1.1引言机器学习致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。
Seven7_Lu·2022-11-20 03:49

西瓜书第一章习题及答案

注释：1、假设空间：可以简单理解为所有属性各种取值的不同组合，假设空间大小为（属性1取值个数+1)(属性2取值个数+1）……(属性n取值个数+1）+1。2、版本空间：从假设空间删除掉与正例不一致和与反例一致的假设后，剩余的假设所组成的集合，即存在着一个与训练集一致的“假设集合”。解答：表1.1它存在的假设空间为：1色泽＝＊，根蒂＝＊，敲声＝＊2色泽＝青绿，根蒂＝＊，敲声＝＊3色泽＝乌黑，根蒂＝＊，
小鹿学程序·2022-11-20 03:47

西瓜书第一章课后习题答案

第1章绪论1.1略1.2参考链接：西瓜书第一章习题-简书(jianshu.com)首先明确基本合取式有多少种，设西瓜的三个不同属性的特征分别为(A1,A2),(B1,B2,B3),(C1,C2,C3),
FlyToCode·2022-11-20 03:16

西瓜书第一章绪论

先放上参考和转载部分程序的链接：https://blog.csdn.net/u014134327/article/details/94397454https://blog.csdn.net/weixin_42702793/article/details/104178807https://blog.csdn.net/dicker6315/article/details/81265066以上都是我学习
xxzyhxxx·2022-11-20 03:39

西瓜书第一章简要笔记

基本术语样本：对于一个时间或对象的描述，称为一个样本或示例。数据集：一组样本的集合，称为数据集。属性：反映事件或对象在某方面的表现或性质的事项，称为属性或特征。属性值：属性（特征）的取值，称为属性（特征）值。属性空间：属性张成的空间，称为属性空间、样本空间或输入空间。空间中的每一个坐标轴都代表了一个属性。每个样本都可以在空间中找到自己的坐标位置，坐标的值即为样本各属性的值。由于空间中每个点都对应一
_荣耀之路_·2022-11-20 03:33

西瓜书第一章

绪论引言机器学习：在计算机上从数据中产生“模型”（model）的算法，即“学习算法”（learningalgorithm）。模型：泛指从数据中学得的结果。基本术语数据集训练：从数据中学得模型的过程测试：学得模型后，使用其进行预测的过程示例（instance）或样本：无结果样例（example）：有结果，有y属性（attribute）或特征（feature）属性值（attributevalue）属性
ZHSJ828·2022-11-20 03:54

周志华《机器学习》(西瓜书) —— 学习笔记：第2章 模型评估与选择

文章目录2.1经验误差和过拟合2.2评估方法2.2.1留出法2.2.2交叉验证法2.2.3自助法2.2.4调参与最终模型2.3性能度量2.3.1错误率与精度2.3.2查准率、查全率与F12.3.3ROC与AUC2.3.4代价敏感错误率与代价曲线2.4比较检验2.4.1假设检验2.4.2交叉验证*t*检验2.4.3McNemar检验2.4.4Friedman检验与Nemenyi后续检验2.5偏差与方
月边云·2022-11-19 22:48

机器学习_周志华_西瓜书_学习笔记_第二章--模型的评估与选择

2模型的评估与选择2.1误差与过拟合我们将学习器对样本的实际预测结果与样本的真实值之间的差异成为：误差（error）。定义：在训练集上的误差称为训练误差（trainingerror）或经验误差（empiricalerror）。在测试集上的误差称为测试误差（testerror）。学习器在所有新样本上的误差称为泛化误差（generalizationerror）。显然，我们希望得到的是在新样本上表现得很
Tenora鸢栀·2022-11-19 21:29

初识机器学习

翻开周志华老师的西瓜书，让我感到本科阶段的数学知识忽远忽近，今后让我们捡回数学知识，一起学习这本经典的机器学习书籍，遨游在机器学习的海洋里吧。
浩然然然·2022-11-19 21:26

2、周志华西瓜书笔记：模型评估与选择

2.1经验误差与过拟合错误率：分类错误的样本数占样本总数的比例。精度：1-错误率=精度误差：学习器的实际预测输出与样本的真实输出之间的差异。训练误差/经验误差：学习器在训练集上的误差。泛化误差：在新样本上的误差。过拟合：学习器学习能力太好导致把训练本身的特点当作所有样本都具有的特点，导致泛化能力下降。2.2评估方法通常，我们通过实验测试学习器的泛化误差来进行评估进而做出选择，以测试集的测试误差作为
Zzzybfly·2022-11-19 21:53

西瓜书阅读笔记（机器学习周志华）D2 交叉验证法和自助法

交叉验证法交叉验证法先把数据集DDD划分成kkk个大小相似的互斥子集D=D1∪D2∪....∪DkD=D_1\cupD_2\cup....\cupD_kD=D1∪D2∪....∪Dk每个子集DiD_iDi都尽量保证数据分布的一致性，所以我们从DDD中进行分层采样，这样可以尽量保证所有自己数据分布一致。在使用的过程中，我们每次选择kkk个子集中的k−1k-1k−1个子集作为训练集，剩下的那个作为测试
消栈·2022-11-19 21:49

机器学习西瓜书01：绪论~第二章。

1.有监督学习是有有明确的结果，无监督学习是结果不是很明确。2.进行预测时需要有泛化能力，即预测没有见到过的数据的能力。3.归纳偏好：奥卡姆剃刀。4.开启第二章：5.取样本的方法：留出法，K折交叉验证，重复的K折交叉验证。自助法：P27但是，自助法产生的数据集改变了初始数据集的分布，这会引起估计偏差。6.验证集用于调参。比每次重新训练的计算代价要小。7.均方误差：8.分类结果混淆矩阵。查准率和查全
cc 提升ing 变优秀ing·2022-11-19 17:50

模式识别与机器学习 第一章 绪论

引言课程介绍1956年夏天达特茅斯会议标志着人工智能学科的诞生人工智能之父约翰·麦卡锡基础：线性代数、概率统计、最优化理论交叉课程：图像处理、计算机视觉、数据挖掘、自然语言处理、多媒体技术参考书目：《机器学习》西瓜书
synthesis_UMR·2022-11-19 17:15

西瓜书+南瓜书学习（1-2章）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录一、序言二、第一章绪论三、第二章模型评估与选择前言这是我第一次学习周志华老师的《机器学习》，以前学习过很多版本的机器学习相关算法，如MOOC中吴飞老师讲的人工智能：模型与算法、B站UP主讲个较为离散的几个监督算法、数学建模竞赛需要学习的一些算法等。之前学习都有强目的性，大多数是因为要参加某项竞赛学习，或者是在进行某项竞赛时找一
Glamour159·2022-11-19 16:18

入门机器学习（西瓜书+南瓜书）贝叶斯分类器总结（python代码实现）

入门机器学习（西瓜书+南瓜书）贝叶斯分类器总结（python代码实现）一、贝叶斯分类器1.1通俗理解先来看两个公式P(AB)=P(A)P(B)（1）P(AB)=P(A)P(B)（1）P(AB)=P(A)
啥都不懂的小程序猿·2022-11-19 15:33

计算机视觉论文-2021-07-16

本专栏是计算机视觉方向论文收集积累，时间：2021年7月16日，来源：paperdigest欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！
SophiaCV·2022-11-19 15:27

机器学习(西瓜书)——读书笔记

第一章绪论第一章主要介绍了机器学习的一些基本的概念，讲到了一些基本术语和相关的发展历程和应用的现状1.基本术语示例/样本：数据集的每条关于一个事件或者对象的描述属性/特征：反应事件在某方面的表现或性质的事项属性值：属性的取值属性空间/样本空间：属性张成的空间维数：数据集中每个示例由d个属性描述，d称为维数标记：训练样本中的结果样例(example)：用药后标记信息的示例学习任务分类预测的值是离散的
a昊学·2022-11-19 15:17
上一页 12 13 14 15 16 17 18 19 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他