这篇博客记录了在McGill大学学习人工智能课程的内容，涵盖了监督学习、决策树、CART算法、A*算法、XGBoost调参、Q-learning等主题，并探讨了不同环境和数据集的应用，如MNIST手写数字识别。还提到了一些关键概念，如Softmax函数、混淆矩阵和过拟合的防止策略。
这个寒假的后半程就要在McGill度过啦。
正式开始学习人工智能
具体课程知识点可以看我的其他博客。嘿。
Day
- 简介
Boston Dynamic,IBM - AI
- Time dependent
- faster & better
- compared to humans
- 软件
- Colab
- anaconda
- pandas
- jupiter notebook
监督
- supervised
- semi-supervised
- unsupervised
Decision tree
- gini系数
- Gi=1-sigma(Pik)^2
- max gini=(n-1)/n;
- test测试数据
tree_clf predict(x_test) - train训练决策树
_fit(x,y) - 输出落入每一分布的可能
predict_probo.
CART 算法
- cart cost
J(k,tk)=Mleft/M * Gleft + Mright/M * Gright - overfit 过拟合
- underfit 欠拟合
- MSE 均方误差
- MAE 平均绝对误差
Agent
input (state of environment) —> Ag
最低0.47元/天 解锁文章
扫一扫
9877
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
