机器学习简介

最新推荐文章于 2024-11-01 22:51:17 发布
最新推荐文章于 2024-11-01 22:51:17 发布
阅读量127 收藏
点赞数
文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DAN_L/article/details/104992800
版权

一、机器学习常用的库和框架
scikitlearn（常用）、tensorflow（常用）、pytorch
二、机器学习的定义
机器学习是从数据中自动分析获得规律（模型），并利用规律对未知数据进行预测

DAN_L
关注
机器学习——降维
DAN_L的博客
03-23 231
注意：这里的降维是将特征的数量减少 一、数据降维的分类 （一）特征选择 1、特征选择的定义 特征选择就是单纯地从提取到的所有特征中选择部分特征作为训练集特征，特征在选择前和选择后可以改变值、也可以不改变值，但是选择后的特征维数肯定比选择前小，毕竟我们只选择了其中的一部分特征。 2、特征选择原因 （1）冗余：部分特征的相关度高，容易消耗计算性能 （2）噪声：部分特征对预测结果有负影响 3、sklea...
机器学习基础
DAN_L的博客
03-23 250
一、数据类型 离散型数据：由记录不同类别个体的数目所得到的数据，又称计数数据，所有这些数据全部都是整数，而且不能再细分，也不能进一步提高他们的精确度。 连续型数据：变量可以在某个范围内取任一数，即变量的取值可以是连续的，如长度、时间、质量值等，这类整数通常是非整数，含有小数部分。 注：离散型是区间内不可分，连续型是区间内可分 二、机器学习算法分类 （一）监督学习（有特征值和目标值） 1、分类（对...
机器学习导论——概念学习
DAN_L的博客
03-19 318
一、概念学习 是指从有关某个布尔函数（是或否）的输入输出训练样例中推断出该布尔函数 二、训练集/训练样例 用来进行训练，也就是产生模型或算法的数据集 三、测试集/测试样例 （通常只知道特征，用来进行预测）用来专门进行测试已经学习好的模型或算法的数据集 四、特征向量 属性的集合，通常用一个向量来表示，附属于一个实例 五、标记：c(x)，实例类别的标记 六、分类 目标标记为类别型数据 七、回归 目标标...
机器学习深度学习 笔试面试题目整理（2）
Dan的专栏
08-23 2456
题目来源： 面试笔试整理3：深度学习机器学习面试问题准备（必会） 深度学习面试题 深度学习岗位面试题 1. CNN问题： （1） 思想  　　改变全连接为局部连接，这是由于图片的特殊性造成的（图像的一部分的统计特性与其他部分是一样的），通过局部连接和参数共享大范围的减少参数值。可以通过使用多个filter来提取图片的不同特征（多卷积核）。  　　  （2）filter尺寸的选择  　...
深度平均网络（DAN）：文本分类的革新之路
gitblog_00036的博客
05-28 275
深度平均网络（DAN）：文本分类的革新之路 danDeep Averaging Networks项目地址:https://gitcode.com/gh_mirrors/da/dan 在机器学习与自然语言处理领域，模型的创新如同破晓的曙光，不断照亮着前行的道路。今天，我们聚焦于一款名为**深度平均网络(Depth Averaging Networks, DAN)**的开源项目，该项目源于这篇论文，...
1.1 机器学习简介
tang7mj的博客
08-28 1575
机器学习（Machine Learning）是研究计算机如何模拟或实现人类的学习行为，以便获取新的知识或技能，并通过重新组织已有的知识结构来不断改善其自身性能。机器学习在人工智能中占据重要位置，是实现人工智能的关键途径之一。研究方向：机器学习是人工智能的一个研究方向，主要研究对象是人工智能算法，研究重点是如何在经验学习中改善具体算法的性能。自动改进：机器学习研究能通过经验来自动改进自身的算法，这使得计算机能够从数据中学习，不断提升其决策能力。数据驱动。
一、机器学习简介
热门推荐
小石小石摩西摩西
07-21 3万+
一、机器学习简介 1.1 机器学习简介 人工智能 (Artificial Intelligence，简称AI) 是对人的意识、思维过程进行模拟的一门新学科。 如今，人工智能从虚无缥缈的科学幻想变成了现实。计算机科学家们在 机器学习 (Machine Learning) 和 深度学习 (Deep Learning) 领域已经取得重大的突破，机器被赋予强大的认知和预测能力。2016 年 AplphaGO 成功击败人类世界冠军向世界证明，机器也可以像人类一样思考，甚至比人类做得更好。 人工智能、机器学习和深度学习
Python 机器学习简介
01-05
机器学习是许多商业应用和研究不可或缺的一部分 今天的项目涉及从医疗诊断和治疗到寻找您的 社交网络上的朋友。 很多人认为机器学习只能 被拥有广泛研究团队的大公司所应用。 在本书中，我们想要 向您展示自己构建...
对于DAN方法的解读-Learning Transferable Features with Deep Adaptation Networks
bbbeoy的专栏
08-23 2928
https://blog.csdn.net/weixin_40526176/article/details/79065861 下面分为五个部分来讲解： 一.研究背景 二.本论文所解决的问题 三.DAN方法 四.实验部分 五.结合自己的论文 一.研究背景 精简的说，研究表明：深度神经网络可以学习可迁移特征，这些特征用于域适应时在新的任务上表现出很好的泛化能力。然而由于深度特征随着网络层数的增加由一般到特殊转变，特征的可迁移能力在网络高层急剧下降，极大地增加了域之间的差...
【机器学习】18. 反向传播 Backpropagation algorithm, 学习率，动量Momenetum, Xavier，梯度消失
weixin_48846514的博客
11-01 663
反向传播 Backpropagation algorithm, 学习率，动量Momenetum, Xavier，梯度消失
【机器学习】过拟合与欠拟合
2303_80346267的博客
10-25 1554
在机器学习模型的训练过程中，**过拟合**和**欠拟合**是两个常见问题。过拟合会导致模型在训练集上表现优异，但在新数据上表现不佳；而欠拟合则使得模型在训练集上也无法充分拟合数据，表现较差。本教程中，我们将从基础概念出发，通过梯度下降算法手写模型拟合过程，逐步实现正则化以防止过拟合，并使用 `numpy` 进行实现，最后展示 `sklearn` 的简便实现。
TIFS-2024 FIRe2：细粒度表示和重组在换衣行人重识别中的应用
weixin_49090702的博客
10-29 161
本文提出了一种新的细粒度表示与重构（FIRe2）框架，用于解决布变人重识别问题。通过细粒度特征挖掘和属性重构，FIRe2在不依赖任何辅助信息的情况下，实现了最先进的性能。该方法在多个基准数据集上取得了显著的成果，展示了其在现实世界应用中的潜力。
【机器学习】25. 聚类-DBSCAN(density base)
最新发布
weixin_48846514的博客
11-01 598
聚类-DBSCAN(density base)
《机器学习与人类学习：比较、融合与未来展望》
zheng_ruiguo的专栏
11-01 681
未来，机器学习和人类学习将不断融合发展，共同推动科技进步和社会发展。然而，我们也需要面对机器学习带来的挑战，如数据安全、伦理道德和人类适应性等问题，采取有效的应对策略，确保机器学习和人类学习的健康发展。只有这样，我们才能充分发挥两者的优势，实现人类社会的可持续发展。
R语言机器学习与临床预测模型79--机器学习总览
pingguocu3的博客
11-01 352
机器学习模型主要分为有监督、无监督和强化学习方法。
【机器学习】14. 集成学习 ensemble: bagging, boosting, 随机森林 random forest
weixin_48846514的博客
10-29 1048
ensemble, bagging, boosting, random forest
随机梯度下降法与机器学习简介
"这篇文档是关于随机梯度下降法在机器学习中的应用，结合了斯坦福大学2014年机器学习课程的个人学习笔记。笔记作者为黄海广，内容涵盖课程概述、监督学习、无监督学习以及最佳实践等主题，并提供了与课程相关的视频...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值