机器学习
文章平均质量分 75
he_world
这个作者很懒,什么都没留下…
展开
-
分清big data,ML,AI之间的关系
How are big data and machine learning related?(大数据与机器学习间关系)下面是回答: 1. Big data and machine learning are not related, but when used together can do real wonder. (没有直接联系,但是在一起效果更好)Machine Learning & Big原创 2016-06-01 11:46:15 · 4656 阅读 · 0 评论 -
COURSERA机器学习笔记1
第一周:1-Linear Regression with One Variable2-Linear Algebra Review笔记: cost function: h(x)与J(&)的比较: 学习算法的优化目标是我们想找到一个&的值来将J(&)最小化。即为1。此时拟合度最高。求解参数的方法: 梯度下降法: 具体步骤: 关于学习速率: 当我们在梯度下降时,导数值会随着接近的原创 2016-05-16 12:04:17 · 581 阅读 · 0 评论 -
机器学习(周志华版)读书笔记1
第一章:绪论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。在计算机系统中,”经验”通常以”数据”形式存在,因此,机器学习所研究的主要内容,是关于在计算机上从数据中产生”模型(model)”的算法,即“学习算法”(learning algorithm)。若我们预预测的是离散值,例如“好瓜”,“坏瓜”,此类学习任务称为“分类”(classification)。若我们预预测的是连续值原创 2016-06-17 21:13:32 · 2285 阅读 · 0 评论 -
数据挖掘随记
对于缺失数据: 目前有三类处理方法:用平均值、中值、分位数、众数、随机值等替代。效果一般,因为等于人为增加了噪声。用其他变量做预测模型来算出缺失变量。效果比方法1略好。有一个根本缺陷,如果其他变量和缺失变量无关,则预测的结果无意义。如果预测结果相当准确,则又说明这个变量是没必要加入建模的。一般情况下,介于两者之间。最精确的做法,把变量映射到高维空间。比如性别,有男、女、缺失三种情况,则映射成原创 2017-01-21 22:15:58 · 336 阅读 · 0 评论 -
COURSERA机器学习笔记2
第五周:Neural Networks: Learning关于神经网络的记法: 神经网路的代价函数: 直接计算神经网络的各项导数很复杂,为了计算导数,采用反向传播(backpropagation)的算法: 前项传播原理: 后向传播: 矩阵与向量之间的转换: 使用矩阵表达式的好处是:当你的参数以矩阵的形式存储时,你在进行正向传播和反向传播时,你会觉得更加方便。 使用向量表达式的好处是:如原创 2016-06-04 21:44:42 · 553 阅读 · 0 评论 -
推荐系统杂记
方向: 1.Context-Aware Recommender Systems两篇必看论文,强烈要求实现之: 1.Recommendations Item-to-Item Collaborative Filtering2.MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS一些非常有帮助的推荐系统实现框架,包括著名的Mahout框架。书原创 2017-04-08 17:20:38 · 617 阅读 · 0 评论