----机器学习笔记

机器学习笔记 - 基于Python的不平衡数据的欠采样技术

一、简述随着从不同的来源生成和捕获大量数据。尽管信息量巨大，但它往往反映了现实世界现象的不平衡分布。数据不平衡的问题不仅仅是统计上的挑战，它对数据驱动模型的准确性和可靠性具有深远的影响。以金融行业欺诈检测为例。尽管我们希望避免欺诈，因为其具有高度破坏性，但机器（甚至人类）不可避免地需要从欺诈交易的示例中学习（尽管很少见），以将其与日常合法交易的数量区分开来。欺诈性交易和非欺诈性交易之间的数据分布不
坐望云起·2024-01-01 09:55

机器学习笔记--DeepWalk和Node2Vec图嵌入代码实战一

斯坦福大学CS224W图机器学习笔记学习参考CS224W公开课：双语字幕斯坦福CS224W《图机器学习》课程(2021)byJureLeskove官方课程主页：官方主页子豪兄精讲：斯坦福CS224W图机器学习
北航程序员小C·2024-01-01 02:27

机器学习笔记--PageRank算法

斯坦福大学CS224W图机器学习笔记学习参考CS224W公开课：双语字幕斯坦福CS224W《图机器学习》课程(2021)byJureLeskove官方课程主页：官方主页子豪兄精讲：斯坦福CS224W图机器学习
北航程序员小C·2023-12-29 21:23

机器学习笔记--PageRank

斯坦福大学CS224W图机器学习笔记学习参考CS224W公开课：双语字幕斯坦福CS224W《图机器学习》课程(2021)byJureLeskove官方课程主页：官方主页子豪兄精讲：斯坦福CS224W图机器学习
北航程序员小C·2023-12-29 21:22

机器学习笔记--半监督节点分类：标签传播和消息传递

斯坦福大学CS224W图机器学习笔记学习参考CS224W公开课：双语字幕斯坦福CS224W《图机器学习》课程(2021)byJureLeskove官方课程主页：官方主页子豪兄精讲：斯坦福CS224W图机器学习
北航程序员小C·2023-12-29 21:20

机器学习笔记（11）：贝叶斯学习（1）

本文来自之前在Udacity上自学机器学习的系列笔记。这是第11篇，介绍了监督学习中的贝叶斯学习模型（1）。朴素贝叶斯朴素贝叶斯是一个分类模型，如下图所示，有正反两类样本数据点，该模型寻找出一个决策边界正确地将两类数据分隔开来。模型的背后是贝叶斯规则。image.png在sklearn上面有参考的代码：https://scikit-learn.org/stable/modules/generate
链原力·2023-12-29 09:33

机器学习笔记

机器学习黑马程序员3天快速入门python机器学习_哔哩哔哩_bilibili1.概述1.1机器学习、人工智能、深度学习关系机器学习是人工智能的一个实现途径深度学习是机器学习一个方法发展而来1.2定义机器学习是从数据中自动获得模型，并利用模型对未知数据进行预测。数据模型预测1.3算法分类数据集：特征值+目标值1.3.1监督学习目标值分类类别分类问题连续型的数据回归问题（1）分类K-近邻算法、贝叶斯
王小白学习·2023-12-29 08:18

机器学习笔记--NetworkX代码实战

斯坦福大学CS224W图机器学习笔记学习参考CS224W公开课：双语字幕斯坦福CS224W《图机器学习》课程(2021)byJureLeskove官方课程主页：官方主页子豪兄精讲：斯坦福CS224W图机器学习
Runjavago·2023-12-28 15:35

机器学习笔记--图嵌入表示学习

斯坦福大学CS224W图机器学习笔记学习参考CS224W公开课：双语字幕斯坦福CS224W《图机器学习》课程(2021)byJureLeskove官方课程主页：官方主页子豪兄精讲：斯坦福CS224W图机器学习
Runjavago·2023-12-28 15:35

机器学习笔记--DeepWalk和Node2Vec图嵌入二

斯坦福大学CS224W图机器学习笔记学习参考CS224W公开课：双语字幕斯坦福CS224W《图机器学习》课程(2021)byJureLeskove官方课程主页：官方主页子豪兄精讲：斯坦福CS224W图机器学习
Runjavago·2023-12-28 15:35

机器学习笔记--图的基本表示和特征工程

斯坦福大学CS224W图机器学习笔记学习参考CS224W公开课：双语字幕斯坦福CS224W《图机器学习》课程(2021)byJureLeskove官方课程主页：官方主页子豪兄精讲：斯坦福CS224W图机器学习
Runjavago·2023-12-28 15:30

斯坦福大学CS224W图机器学习笔记

斯坦福大学CS224W图机器学习笔记学习参考CS224W公开课：双语字幕斯坦福CS224W《图机器学习》课程(2021)byJureLeskove官方课程主页：官方主页子豪兄精讲：斯坦福CS224W图机器学习
Runjavago·2023-12-28 11:00

机器学习笔记 - 线性判别分析(LDA)的原理和应用

一、LDA简述线性判别分析（LDA）是监督机器学习中用于解决多类分类问题的一种方法。LDA通过数据降维来分离具有多个特征的多个类。这项技术在数据科学中很重要，因为它有助于优化机器学习模型。线性判别分析，也称为正态判别分析(NDA)或判别函数分析(DFA)，遵循生成模型框架。LDA算法对每个类别的数据分布进行建模，并使用贝叶斯定理对新数据点进行分类。LDA算法通过使用贝叶斯计算输入数据集是否属于特定
坐望云起·2023-12-26 15:32

机器学习笔记2-基于KNN算法的手写字识别程序

importnumpyimportoperatorimportosfromPILimportImagedefclassify(inX,dataSet,labels,k=3):'''算法的实现'''dataSetSize=dataSet.shape[0]diffMat=numpy.tile(inX,(dataSetSize,1))-dataSetsqDiffMat=diffMat**2sqDista
冯子玉·2023-12-26 08:22

机器学习笔记 八：Matlab实现神经网络的手写数字识别

OctaveCode需要解决的问题（3个）:1.数据加载及可视化1.1displayData.m2.参数加载3.基于前向传播算法计算代价4.正则化4.1nnCostFunction.m5.梯度下降函数5.1sigmoid.m5.2sigmoidGradient.m6.初始化参数6.1randInitializeWeights.m7.后向传播算法实现7.1checkNNGradients.m8.后向
Amyniez·2023-12-26 08:20

机器学习笔记（三）简单手写识别

目标实现一个简单的手写识别的脚本，同样的，流程分五步走：读入数据初始化模型训练模型训练样本集乱序校验数据有效性前期准备前期需要将库导入，还需要进行一些初始化操作#数据处理部分之前的代码，加入部分数据处理的库点击查看代码#加载飞桨和相关类库importpaddlefrompaddle.nnimportLinearimportpaddle.nn.functionalasFimportosimportn
Leventure_轩先生·2023-12-26 08:47

机器学习笔记 - week5 -（九、神经网络的学习 Part1）

9.1代价函数在神经网络的学习中，我们需要用到新的标记方法，假设神经网络的训练样本有个，每个包含一组输入和一组输出信号：表示神经网络层数表示每层的neuron个数(表示输出层神经元个数)代表最后一层中处理单元的个数。神经网络的分类定义为两种情况：二类分类和多类分类：二类分类：，0和1对应表示二分类中的一类；类分类：表示分到第类；我们回顾逻辑回归问题中我们的代价函数为：在逻辑回归中，我们只有一个输出
火箭蛋头·2023-12-26 00:46

大师兄的Python机器学习笔记:特征提取

大师兄的Python机器学习笔记:Pandas库一、关于分类(Classification)1.什么是分类分类是机器学习的重要模块，主要用来预测数据的类别标签。
superkmi·2023-12-25 13:38

机器学习笔记（二）使用paddlepaddle，再探波士顿房价预测

目标用paddlepaddle来重写之前那个手写的梯度下降方案，简化内容流程实际上就做了几个事：数据准备：将一个批次的数据先转换成nparray格式，再转换成Tensor格式前向计算：将一个批次的样本数据灌入网络中，计算出结果计算损失函数：以前向计算的结果和真是房价作为输入，通过算是函数sqare_error_cost计算出损失函数。反向传播：执行梯度反向传播backward函数，即从后到前逐层计
Leventure_轩先生·2023-12-23 16:52

机器学习笔记（一）从波士顿房价预测开始，梯度下降

从波士顿房价开始目标其实这一章节比较简单，主要是概念，首先在波士顿房价这个问题中，我们假设了一组线性关系，也就是如图所示我们假定结果房价和这些参数之间有线性关系，即:然后我们假定这个函数的损失函数为均方差，即：那么就是说，我们现在是已知y和x，来求使得这个损失函数Loss最小化的一个w和b的组合读取数据点击查看代码defload_data():#从文件导入数据datafile='./work/ho
Leventure_轩先生·2023-12-23 09:37

机器学习笔记：支持向量机回归SVR

1主要思想主要思路类似于机器学习笔记：支持向量机SVM_支撑向量学习-CSDN博客和SVM的区别主要有解法和SVM区别不大，也是KKT2和线性回归的区别对SVR，如果f(x)和y之间的差距小于阈值ε【也即落在两条间隔带之间
UQI-LIUWJ·2023-12-20 23:16

Coursera机器学习笔记3

Week44.1神经网络模型表示1神经网络可以分为三部分：（输入）树突、（logistic）激励、（输出）轴突。一个简单的模型如下图。image1.pngx0通常为1，第一层为输入层；在这个例子中，中间层为ai(2)。第j个权重矩阵决定了第j层到第j+1层的调整，如果第j层有s(j)个单元，第j+1层有s(j+1)个单元，则第j个权重矩阵的维度是s(j+1)*(s(j)+1)image1.png4
los_pollos·2023-12-18 22:22

机器学习笔记

1.什么是机器学习从数据中自动分析获得模型，并利用模型对位置数据进行预测。关键词：数据模型预测2.机器学习算法分类2.1监督学习数据集有标签监督学习三要素：模型算法策略2.1.1分类classification离散型数据常用算法：Knn，朴素贝叶斯，svm，决策树与随机森林，逻辑回归2.1.2回归regression连续型数据常用算法：线性回归，岭回归2.2非监督学习数据集无标签常用算法：聚类，K
偏偏偏执先生·2023-12-17 17:40

机器学习笔记 - 了解学习率对神经网络性能的影响

一、简述深度学习神经网络使用随机梯度下降优化算法进行训练。学习率是一个超参数，它控制每次更新模型权重时响应估计误差而改变模型的程度。学习率值太小可能会导致训练过程过长并可能陷入困境，而值太大可能会导致过快地学习次优权重或训练过程不稳定。配置神经网络时，学习率是重要的超参数。因此，了解学习率对模型性能的影响很有价值。训练期间权重更新的量称为步长或“学习率”。二、不同学习率的评估在此示例中，我们从1E
坐望云起·2023-12-16 14:33

机器学习笔记：linear scaling learning rate （学习率 和batch size的关系）

在训练神经网络的过程中，随着batchsize的增大，处理相同数据量的速度会越来越快，但是达到相同精度所需要的epoch数量越来越多换句话说，使用相同的epoch数量时，大batchsize训练的模型与小batchsize训练的模型相比，验证准确率会减小——>提出了linearscalinglearningrate在mini-batchSGD训练时，增大batchsize不会改变梯度的期望，但是会
UQI-LIUWJ·2023-12-15 12:59

【23-24 秋学期】NNDL 作业11 LSTM

习题6-4推导LSTM网络中参数的梯度，并分析其避免梯度消失的效果习题6-3P编程实现下图LSTM运行过程李宏毅机器学习笔记：RNN循环神经网络_李宏毅rnn笔记_ZEERO~的博客-CSDN博客https
HBU_David·2023-12-04 15:03

机器学习笔记 - 什么是3D语义场景完成/补全？

一、什么是3D语义场景补全？3D语义场景完成（SemanticSceneCompletion）是一种机器学习任务，涉及以体素化形式预测给定环境的完整3D场景(完成3D形状的同时推断场景的3D语义分割的任务)。这是通过使用深度图和为场景提供上下文的可选RGB图像来完成的。目标是以一种可轻松用于各种应用的方式提供环境的准确表示。这项任务的关键是场景的语义方面。输出中的每个体素代表环境中的某个物体或障碍
坐望云起·2023-12-04 06:29

机器学习笔记-支持向量机

文章目录前言一、支持向量机介绍二、线性可分SVM2.1.SVM数学模型的推导2.2.拉格朗日数乘法与对偶问题转换2.3.线性可分SVM学习算法三、线性不可分SVM3.1.线性不可分与软间隔3.2.线性不可分SVM学习算法四、非线性SVM4.1.非线性分类问题4.2.核函数4.3.非线性SVM学习算法总结前言  终于到支持向量机这一分类算法了，支持向量机是所有入门机器学习小伙伴必须掌握的算法之一，我
复杂混沌·2023-12-03 19:50

机器学习笔记(九)——手撕支持向量机SVM之间隔、对偶、KKT条件详细推导

SVM概述支持向量机(SVM)是一种有监督的分类算法，并且它绝大部分处理的也是二分类问题，先通过一系列图片了解几个关于SVM的概念。上图中有橙色点和蓝色点分别代表两类标签，如果想要将其分类，需要怎么做呢？可能有的伙伴会想到上一篇文章讲到的逻辑回归拟合决策边界，这肯定是一种不错的方法，本文所讲的SVM也是可以解决这种分类问题的；既然都是分类算法，所以通过一个例子可以比对出二者的相同点和不同点。超平面
奶糖猫Esong·2023-12-03 19:49

机器学习笔记 - 基于百度飞桨PaddleSeg的人体分割模型以及TensorRT部署说明

一、简述虽然SegmentAnything用于图像分割的通用大模型看起来很酷（飞桨也提供分割一切的模型），但是个人感觉落地应用的时候心里还是更倾向于飞桨这种场景式的，因为需要用到一些人体分割的需求，所以这里主要是对飞桨高性能图像分割开发套件进行了解和使用，但是暂时不训练，因为搞数据集挺费劲。PaddleSeg内置45+模型算法及140+预训练模型。最新发布HumanSeglite模型超轻量级人像分
坐望云起·2023-12-02 18:34

李宏毅老师机器学习课程笔记_ML Lecture 1: ML Lecture 1: Regression - Demo

视频链接（bilibili）：李宏毅机器学习(2017)另外已经有有心的同学做了速记并更新在github上：李宏毅机器学习笔记(LeeML-Notes)所以，接下来我的笔记只记录一些我自己的总结和听课当时的
leogoforit·2023-12-02 17:21

机器学习笔记 - week6 -（十、应用机器学习的建议）

10.1决定下一步做什么假设我们需要用一个线性回归模型来预测房价，当我们运用训练好了的模型来预测未知数据的时候发现有较大的误差，我们下一步可以做什么？获得更多的训练样本——通常是有效的，但代价较大，下面的方法也可能有效，可考虑先采用下面的几种方法。尝试减少特征的数量尝试获得更多的特征尝试增加多项式特征尝试减少正则化程度尝试增加正则化程度我们不应该随机选择上面的某种方法来改进我们的算法，而是运用一些
火箭蛋头·2023-12-02 16:14

机器学习笔记4：Logistic 回归模型

Logistic回归的基本原理logistic回归的优化算法前言：在分类任务中，我们是通过从输入xxx到输出yyy的映射fff的模型得出来的：y^=f(x)=argmaxp(y=c∣x,D)\hat{y}=f(x)=argmaxp(y=c|\mathbf{x},D)y^=f(x)=argmaxp(y=c∣x,D)其中，我们定义yyy为离散值，其取值范围称之为标签空间：y={1,2,..,C}y=\
陆撄宁·2023-11-28 15:50

机器学习笔记五—机器学习攻击与防御

系列文章目录机器学习笔记一—机器学习基本知识机器学习笔记二—梯度下降和反向传播机器学习笔记三—卷积神经网络与循环神经网络机器学习笔记四—机器学习可解释性机器学习笔记五—机器学习攻击与防御机器学习笔记六—
江_小_白·2023-11-27 19:03

机器学习笔记05---SVM支持向量机

支持向量机（SupportVectorMachine,SVM）是一类按监督学习（supervisedlearning）方式对数据进行二元分类的广义线性分类器（generalizedlinearclassifier），其决策边界是对学习样本求解的最大边距超平面（maximum-marginhyperplane）。SVM被提出于1964年，在二十世纪90年代后得到快速发展并衍生出一系列改进和扩展算法，
一件迷途小书童·2023-11-27 09:15

基于android平台的笔记簿,机器学习笔记簿 降维篇 LDA 01

机器学习中包含了两种相对应的学习类型：无监督学习和监督学习。无监督学习指的是让机器只从数据出发，挖掘数据本身的特性，对数据进行处理，PCA就属于无监督学习，因为它只根据数据自身来构造投影矩阵。而监督学习将使用数据和数据对应的标签，我们希望机器能够学习到数据和标签的关系，例如分类问题：机器从训练样本中学习到数据和类别标签之间的关系，使得在输入其它数据的时候，机器能够把这个数据分入正确的类别中。线性鉴
王润莲·2023-11-25 14:07

算法笔记：OPTICS 聚类

)是一基于密度的聚类算法OPTICS算法是DBSCAN的改进版本在DBCSAN算法中需要输入两个参数：ϵ和MinPts，选择不同的参数会导致最终聚类的结果千差万别，因此DBCSAN对于输入参数过于敏感机器学习笔记
UQI-LIUWJ·2023-11-25 10:15

机器学习笔记06---极大似然估计

估计类条件概率的一种常用策略是先假定其具有某种确定的概率分布形式，再基于训练样本对概率分布的参数进行估计。具体地，记关于类别c的类条件概率为P(x|c)，假设P(x|c)具有确定形式并且被参数向量θc唯一确定，则我们的任务就是利用训练集D估计参数θc。为了明确起见，我们将P(x|c)记为P(x|θc)。事实上，概率模型的训练过程就是参数估计(parameterestimation)过程。对于参数估
一件迷途小书童·2023-11-24 18:58

机器学习笔记

数据集获取sklearn.datasets.load_*()获取小规模数据集fetch_*(data_home=None)获取大规模数据集，data_home表示目录，可不指定实例1：获取鸢尾花数据集sklearn.datasets.load_iris()实例2：获取大规模数据集sklearn.datasets.fetch_20newsgroups(data_home=None,subset=’t
提子同学是我·2023-11-23 08:17

李宏毅2023春季机器学习笔记 - 01生成AI（ChatGPT）

一、引言预设的知识储备要求：数学（微积分、线性代数、机率）；编程能力（读写python）这门课专注在深度学习领域deeplearning，事实上深度学习在今天的整个机器学习（ML）的领域使用非常广泛，可以说是最受重视的一项ML技术。这门课可以作为你的机器学习的第一堂课，修完后可以更深入的把这个技术，用在你未来感兴趣的领域。课程录像和作业：如果只凭googlecolab可以取得及格的成绩，基本上如果
linyuxi_loretta·2023-11-22 17:09

机器学习笔记（四）---- 逻辑回归的多分类

一般情况下，我们都认为逻辑回归(LR)用来解决二分类问题，模型输出是y=1的概率值。那逻辑回归能否用来做多分类任务呢，答案是肯定的。这里有两种方法使得逻辑回归能进行多分类任务：一、将多分类任务拆解成多个二分类任务，利用逻辑回归分类器进行投票求解；二、对传统的逻辑回归模型进行改造，使之变为softmax回归模型进行多分类任务求解--多分类任务拆解成多个二分类器首先了解下进行多分类学习任务的策略，第一
zhy_Learn·2023-11-22 01:23

机器学习笔记 - Ocr识别中的CTC算法原理概述

机器学习笔记-Ocr识别中的文本检测EAST网络概述-CSDN博客文章浏览阅读300次。在EAST网络的这个分支中，它合并了VGG16网络不同层的特征输出。
坐望云起·2023-11-21 08:48

机器学习笔记

目录机器学习基本概念介绍深度学习反向传播前向传播反向传播pytorch梯度下降算法卷积神经网络（CNN）卷积层池化层自注意力机制（self-attention）循环神经网络（RNN）长短期记忆递归神经网络（LSTM）Transformer自监督学习（Self-SupervisedLearning）BERT预训练（Pre-train）微调（Fine-tune）机器学习基本概念介绍机器学习≈机器自动寻
czyxw·2023-11-21 01:57

机器学习笔记 - 使用 PyTorch 的多任务学习和 HydraNet

一、HydraNet简述特斯拉使用了一个模型可以解决他们正在处理的每一项可能的任务。例如：物体检测、道路曲线估计、深度估计、3D重建、视频分析、物体追踪、ETC等等。以下是在NVIDIAGPU上以3种不同配置运行的2个计算机视觉模型的基准测试。在第一个配置中，我们运行语义分割模型。在第二种配置中，我们堆叠了单目深度估计模型。在第三种配置中，我们正在构建一个能够同时完成这两项任务的HydraNet。
坐望云起·2023-11-20 22:24

吴恩达机器学习笔记

一、机器学习1.1机器学习定义1.2监督学习supervisedlearning1.2.1监督学习定义给算法一个数据集，其中包含了正确答案，算法的目的是给出更多的正确答案如预测房价（回归问题）、肿瘤良性恶性分类（分类问题）假如说你想预测房价。前阵子，一个学生从波特兰俄勒冈州的研究所收集了一些房价的数据。你把这些数据画出来，看起来是这个样子:横轴表示房子的面积，单位是平方英尺，纵轴表示房价，单位是千
六本木砍王刀哥·2023-11-20 18:30

【Machine Learning】机器学习笔记-(上半部分)

初识机器学习文章目录初识机器学习一，机器学习-1.机器学习定义-2.机器学习算法分类-1.2.1监督学习定义-1.2.2回归问题-1.2.3分类问题-1.3无监督学习-1.3.1无监督学习定义-1.3.2聚类算法二，单变量线性回归-2.1单变量线性回归函数-2.2平方误差函数(代价函数)-2.2.1只考虑θ1θ_1θ1的代价函数-2.2.2θ0θ_0θ0，θ1θ_1θ1都考虑的代价函数-2.3梯度
君问归期魏有期·2023-11-20 18:23

机器学习笔记 - 了解常见开源文本识别数据集以及了解如何创建用于文本识别的合成数据

一、部分开源数据集以下是一些英文可用的开源文本识别数据集。ICDAR数据集：ICDAR代表国际文档分析和识别会议。该活动每两年举行一次。他们带来了一系列塑造了研究社区的场景文本数据集。例如，ICDAR-2013和ICDAR-2015数据集。MJSynth数据集：该合成词数据集由牛津大学视觉几何组提供。该数据集由综合生成的900万张图像组成，涵盖9万个英语单词，并包括我们工作中使用的训练、验证和测试
坐望云起·2023-11-20 07:20

机器学习笔记：EM算法（期望最大算法）

1算法介绍1.0EM算法的引入EM算法主要解决的问题是，具有隐变量的混合模型的参数估计，即其极大似然估计如果是简单的问题，我们可以直接求出P(x|θ)的时候，我们可以直接用最大似然估计来求出解析解但如果在模型中有了隐变量之后，就不太好求解析解P(x|θ)了，也就无法用最大似然估计来得到最佳的θ——》这时候就需要EM算法了1.1EM算法介绍EM算法是一个迭代的算法，其会不断地更新θ，直至收敛。第t轮
UQI-LIUWJ·2023-11-19 20:17

机器学习笔记 - Ocr识别中的文本检测EAST网络概述

一、文本检测文本检测简单来说就是找到图像中可以出现文本的区域。例如，请参见下图，其中在检测到的文本周围绘制了绿色边框。在进行文本检测时，你可能会遇到两种情况具有结构化文本的图像：这是指具有干净/均匀背景和常规字体的图像。文本大多密集，行结构正确，文本颜色均匀。带有非结构化文本的图像：这是指复杂背景上带有稀疏文本的图像。文本可以具有不同的颜色、大小、字体和方向，并且可以出现在图像中的任何位置。对这些
坐望云起·2023-11-19 08:28

机器学习笔记（六）——机器学习概念：多项式回归与pipeline、偏差和方差、L1正则与L2正则

一、多项式回归与sklearn中的Pipeline之前已经学习了简单线性回归，其输入特征值有一维，即y=θ0+θ1x1;y=\theta_0+\theta_1x_1;y=θ0+θ1x1;当推广到多维特征，即多元线性回归：y=θ0+θ1x1+θ2x2+…+θnxn。y=\theta_0+\theta_1x_1+\theta_2x_2+…+\theta_nx_n。y=θ0+θ1x1+θ2x2+…+θn
爱学习的老青年·2023-11-16 23:26
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他