重磅 | 《机器学习综述》算法分类及特征工程手推笔记！

最新推荐文章于 2024-08-06 11:30:30 发布
最新推荐文章于 2024-08-06 11:30:30 发布
阅读量760 收藏
点赞数
在公众号【计算机视觉联盟】后台回复【9076】获取独家200页AI笔记！
本文链接：https://blog.csdn.net/Sophia_11/article/details/107090982
版权

编辑：Sophia | 王博（Kings）笔记

计算机视觉联盟 报道 | 公众号 CVLianMeng

这是AI博士系列笔记的第一篇（欢迎关注王博的公众号【计算机视觉联盟】，我们一起学习进步！）

笔记连载GitHub地址：

https://github.com/Sophia-11/Machine-Learning-Notes/blob/master/README.md

完整《机器学习》手推笔记下载：【计算机视觉联盟】公众号后台回复【西瓜书手推笔记】即可获得百度云pdf下载链接

file

file

file

file

file

file

file

file 编辑：Sophia | 王博（Kings）笔记 计算机视觉联盟 报道 | 公众号 CVLianMeng

SophiaCV
关注
机器学习分类算法之XGBoost（集成学习算法）
迷茫与徘徊只会让你陷入绝境，欢迎私信博主，带你开始提升变现价值！
02-14 7万+
目录 走进XGBoost 什么是XGBoost？ XGBoost树的定义 XGBoost核心算法 正则项：树的复杂程度 XGBoost与GBDT有什么不同 XGBoost需要注意的点 XGBoost重要参数详解 调参步骤及思想 XGBoost代码案例 相关性分析 n_estimators（学习曲线） max_depth（学习曲线） 调整max_depth 和min_child_weight 调整gamma 调整subsample 和colsample_bytree 调整正则
机器学习知识点全面总结
热门推荐
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 13万+
机器学习按照模型类型分为监督学习模型、无监督学习模型和概率模型三大类,文章对十大机器学习算法进行详细介绍并阐述机器学习其他概念问题，可作为机器学习初学者学习使用。
笔记 | 《机器学习》手推笔记更新集成学习（Boosting和随机森林）
中科院AI算法工程师的博客
01-15 365
点上方蓝字计算机视觉联盟获取更多干货在右上方···设为星标★，与你不见不散编辑：Sophia计算机视觉联盟 报道 |公众号CVLianMeng【人工智能资源（书籍+视频）全...
收藏！博士大佬的《机器学习》西瓜书手推笔记！（转）
不二的博客
11-29 477
链接：原文 原本联盟准备等笔记集中以后再和大家分享，后来想了一下，先拿一部分笔记和大家一起分享，共同学习。 这个笔记都是A4纸写的，也是机器扫描版，我并没有将下面空白截图，也就方便留档打印，由于很久没有写字，所以字体请大家海涵！谢谢！ 手推笔记 ...
必知！人工智能10大热门算法！
最新发布
qkh1234567的博客
08-06 1691
人工智能技术在现在的生活中越来越重要了，本文介绍的这些算法就是让它变得智能的关键。不管是大模型的聊天对话，预测房价，还是智能驾驶，这些算法都在背后默默地工作着。今天，我们要带大家了解一下这些特别热门的人工智能算法。它们包括。我们要探讨一下它们是怎么工作的，用在哪些场合，以及它们对我们的生活有什么影响。1、线性回归：模型原理：线性回归致力于寻找一条最佳拟合直线，确保这条直线能够精确地穿过散点图中的数据点，形成最佳的拟合曲线。模型训练：通过利用已知的输入和输出数据，对模型进行训练。
笔记 | 机器学习《概率图模型》，手推笔记已186页！
中科院AI算法工程师的博客
01-04 182
点上方蓝字计算机视觉联盟获取更多干货在右上方···设为星标★，与你不见不散计算机视觉联盟笔记作者：王博Kings、Sophia本文内容概述王博Kings《机器学习》手推笔记...
机器学习西瓜书+南瓜书吃瓜教程第三章学习笔记
m0_68165821的博客
09-19 291
学习笔记~机器学习是想要通过现有的数据，找到隐藏在事物背后的规律。 而大部分规律是符合线性模型的形式 为了能进行数学运算，样本中的非数值类属性都需要进行数值化。
博士大佬为机器学习总结的人工智能入门指南！
weixin_36896856的博客
01-23 835
今天给大家推荐一位认识的好朋友：top985高校AI博士（本硕博985），CSDN博客专家，其开源了周志华西瓜书《机器学习》纯手推笔记！荣登趋势榜，标星600+Github | 博士大佬...
机器学习 | 特征工程综述
05-12 1989
一、前言 数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。特征工程指的是把原始数据转变为模型的训练数据的过程，它的目的就是获取更好的训练数据特征，使得机器学习模型逼近这个上限。 构建一个算法模型需要几个步骤，包括数据准备、特征工程、模型构建、模型调优等，其中特征工程是最重要的步骤，需要 70% 甚至以上的工作量。特征工程主要包括数据预处理、特征选择、特征构造、特征降维等。 通过总结和归纳的特征工程包括以下方面： 二、数据预处理 数据预处理是特征工程的最重要的起始步骤，..
机器学习分类算法之LightGBM（梯度提升框架）
迷茫与徘徊只会让你陷入绝境，欢迎私信博主，带你开始提升变现价值！
02-17 4137
目录 走进LightGBM 什么是LightGBM？ XGBoost的缺点 LightGBM的优化 LightGBM的基本原理 Histogram 算法 直方图加速　 LightGBM并行优化 代码实践 参数详解 ​ 代码实操 最优模型及参数（数据集1000） 模型调参 每文一语 走进LightGBM 什么是LightGBM？ 在上一篇的文章里，我介绍了XGBoost算法，它是是很多的比赛的大杀器，但是在使用过程中，其训练耗时很长，内存占用比较大。 在2017年年..
AI：15-支持向量机算法之鸢尾花特征分类【机器学习】
一键难忘的博客
06-20 4301
支持向量机（SVM）是一种二元分类模型。它的基本模型是在特征空间中定义最大区间的线性分类器，这使它不同于感知器；支持向量机还包括核技术，这使得它本质上是一个非线性分类器。支持向量机的学习策略是区间最大化，它可以形式化为求解凸二次规划的问题，等价于正则化铰链损失函数的最小化。支持向量机的学习算法是求解凸二次规划的优化算法。Scikit learn（sklearn）是机器学习中常见的第三方模块。它封装了常见的机器学习方法，包括回归、降维、分类、聚类等。实例的特征向量（以2D为例）映射到空间中的一些点，如下图中的
轻松理解20种最常用的AI算法
Baihai_IDP的博客
09-06 1万+
常用AI算法知多少？他们的主要特征是什么？分别用在什么场景？ 如何用1-3句话，让小白也能充分理解各算法？
人工智能的算法有哪些？AI常用算法
gp16674213804的博客
03-14 1万+
人工智能领域的算法种类繁多，随着技术的不断发展和深入研究，新的算法不断涌现。除了上述几种常见的算法，还有许多其他的算法，如决策树、神经进化算法、随机森林等等。
人工智能的常用十种算法
Java_college的博客
09-18 1万+
导读：人工智能是科技研究中最热门的方向之一。 整理了一份关于python基础，图像处理opencv\自然语言处理、机器学习、数学基础等资源库，想学习人工智能或者转行到高薪资行业的，大学生都非常实用，无任何套路免费提供,，加我裙966367816也可以领取的内部资源，人工智能题库，大厂面试题 学习大纲 自学课程大纲还有200G人工智能资料大礼包免费送哦~ 1、决策树 根据一些feature(特征）进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，.
言简意赅了解十大常见AI算法
weixin_34150503的博客
10-24 2319
感知机 二分类 二分类的线性分类模型，也是判别模型。 目的是求出把训练数据进行线性划分的分离超平面。 感知机是神经网络和支持向量机的基础。 学习策略：极小化损失函数。损失函数对应于误分类点到分离超平面的总距离。 基于随机梯度下降法对损失函数的最优化算法，有原始形式和对偶形式。 K近邻法 K-nearest neighbor, K-NN 多分类和回归 ...
AI算法(机器学习)的基本原理
码农先锋的博客
01-09 5192
无论是简单的线性模型，还是复杂的神经网络，抑或是LLM大语言模型，其本质都是一个函数。这个函数可能非常复杂，可能是非线性的，也可能是非连续的。如目标函数是一个简单的线性函数f(x) = wx + b, 则w,b就是我们要求的函数的系数，也称模型的参数。
AI人工智能发展的经典算法
qq_37563114的博客
02-03 2549
近年来，计算和信息技术（IT）飞速发展，人工智能（AI）因深度学习的空前普及和成功而确立为人类探索机器智能的前沿领域。基于此，产生了一系列突破性的研究成果，包括 Yann LeCun 提出的卷积神经网络 (CNN) 和 Yoshua Bengio 在深度学习因果推理领域的贡献。
【AI浅谈】AI算法，用尽可能简单的话讲懂AI的原理【1】
unrealnum_border的博客
12-14 4977
对AI算法的简要介绍
机器学习关键环节：特征工程与特征选择策略
特征工程的目标是通过有效的数据预处理，使机器学习算法能更好地理解和学习数据中的模式。 为什么要做特征工程？这主要源于两个关键原因：首先，原始数据往往不能直接满足机器学习算法的需求，可能包含噪声、缺失值...
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