机器学习

最新推荐文章于 2024-11-14 21:17:36 发布
最新推荐文章于 2024-11-14 21:17:36 发布
阅读量164 收藏
点赞数
分类专栏： 学习笔记 机器学习 文章标签： 机器学习

机器学习的认识：从实践的角度出发，机器学学习要做的工作就是在我们有的一个数据集上建立一个或者多个模型，然后对我们的模型进行优化和评估。
在这里插入图片描述

Winnycatty
关注
专栏目录
机器学习知识点全面总结
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 14万+
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。
机器学习常用术语
weixin_66519663的博客
07-11 2677
机器学习是一门专业性很强的技术，它大量地应用了数学、统计学上的知识，因此总会有一些蹩脚的词汇，这些词汇就像“拦路虎”一样阻碍着我们前进，甚至把我们吓跑。因此认识，并理解这些词汇是首当其冲的任务。本节将介绍机器学习中常用的基本概念，为后续的知识学习打下坚实的基础。
分布式机器学习
武天旭的博客
03-08 6431
一、分布式机器学习定义 分布式机器学习（DML）是指利用多个计算节点进行机器学习或者深度学习的算法和系统，旨在提高性能、保护隐私，并可扩展至更大规模的训练数据和更大的模型。 举个例子，一个由三个计算节点和一个参数服务器组成的分布式机器学习系统如下，训练数据被分为不相交的数据分片并被发送给各个计算节点，计算节点将在本地执行随机梯度下降（SGD）。计算节点将梯度或者模型参数发送至参数服务器。
机器学习——解释性AI与可解释性机器学习
2301_80374809的博客
10-18 3682
本文探讨了解释性AI和可解释性机器学习的必要性及其方法，重点介绍了黑箱问题、法规要求、模型可解释性的多种方法（如LIME和SHAP）以及它们在医疗和金融中的应用。本文还讨论了具有可解释性的模型（如线性回归、决策树）及其优缺点，并展望了未来解释性AI的发展趋势，如自动化工具和面向特定领域的解释方法。
李宏毅2021&2022机器学习
热门推荐
啥都生的博客
03-01 6万+
重磅须知  2022仅在2021基础上进行小补充，2021内容变成了前置知识，UP会在视频标题打上2022的标签；    2021资料已打包装进百度云盘，ppt/pdf支持直链下载。    （选修）To Learn More是21/22通用的，放入云盘：提取码：sr0o 更新日志 日期 项目 2021/03/16 更新HW1、HW2，同步更新助教范例 2021/03/26 更新HW3、HW4课件、代码、范例；release页发布HW1-HW4数据 2021/04/01 更新选修.
机器学习简介
“365天深度学习训练营”报名进行中～
10-17 3万+
　　在本篇文章中，我将对机器学习做个概要的介绍。本文的目的是能让即便完全不了解机器学习的人也能了解机器学习，并且上手相关的实践。这篇文档也算是EasyPR开发的番外篇，从这里开始，必须对机器学习了解才能进一步介绍EasyPR的内核。当然，本文也面对一般读者，不会对阅读有相关的前提要求。 　　在进入正题前，我想读者心中可能会有一个疑惑：机器学习有什么重要性，以至于要阅读完这篇非常长的文章呢？ 　　我...
机器学习基础
CltCj的博客
06-01 7973
第一章：机器学习基础 第二章：线性回归 第三章：逻辑回归 第四章：BP 神经网络 第五章：卷积神经网络 第六章：循环神经网络 第七章：决策树与随机森林 第八章：支持向量机 第九章：隐马尔科夫 第十章：聚类等算法 ...
好书推荐丨细说机器学习：从理论到实践
兔子王
02-20 2万+
本期博主给大家推荐一本有关机器学习的全新正版书籍，对机器学习、人工智能感兴趣的小伙伴们快来看看吧~
机器学习实验及学习经验
joker_sxj的博客
11-06 4034
本实验记录作者在学习周志华老师的《机器学习》过程中所做的实验实验所用软件为WEKA，使用教程可见。
机器学习：分类
baiyechangjiu的博客
08-26 2907
分类问题 分类问题是机器学习当中的一个基本问题，通常被分为以下三类： 二元分类问题：二元输出 多类分类问题：输出许多离散类标签之一。 类标签是互斥的 多标签分类问题：一个样本可以分配给多个标签 二分类问题便是分类任务当中有两个类别。一个典型的例子是判断是不是垃圾邮件，判断的结果只有是垃圾邮件和不是垃圾邮件两个结果；另一个典型的例子是判断一张图片是不是猫，训练一个分类器，输入一张图片，输出结果为是猫或者不是猫。 多类分类问题则表示分类任务中有多个类别。一个典型的例子是对一张水果的图片进行分类，图中的
1.机器学习-机器学习算法分类概述
weixin_50804299的博客
01-17 8394
监督学习是机器学习中最常用的一种重要方法，它利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程。简单来说，监督学习就是从已有的标记数据中学习模型，然后利用这个模型对新的未知数据进行预测。 在监督学习中，每个样本都包含输入特征和对应的输出标签。 输入特征也称为特征向量，是一个可以描述样本特性的值； 输出标签通常是离散的类别标签或者连续的数值标签，用来表示样本所属的类别或者具有的属性。 通过训练，模型将学会从输入特征中预测出相应的输出标签。 监督学习的应用场景非常广泛，包括但不限于分类、回归、
机器学习考试题目及答案1
08-08
机器学习是一种人工智能领域的核心方法，它允许计算机程序通过经验学习并改进其性能。根据Tom Mitchell的定义，机器学习涉及的任务T、性能度量P和经验E，其中程序在任务上的性能随着经验的增加而提高。在实际应用中...
机器学习期末复习题.pdf
01-06
机器学习期末复习题库 机器学习是人工智能领域中的一门重要学科，涉及到各种算法和技术，以下是机器学习期末复习题库的详细解析： 监督学习和无监督学习 监督学习是指在有标签的数据集上训练模型，以便在未来的...
机器学习南瓜书.pdf
04-15
南瓜书旨在对西瓜书里比较难理解的公式加以解析
机器学习——多重共线性问题
qhqlnannan的专栏
11-14 600
◆当存在多个维度时，特别注意变量的多重共线性问题，可以使用箱形图，直方图和散点图来查找规律性信息。
【python】机器学习调参与自动化：使用Hyperopt优化你的模型
萧鼎的博客
11-14 710
Hyperopt 是一个 Python 库，用于优化和自动化机器学习模型的超参数调节。它支持多种优化算法，最常用的是贝叶斯优化（Bayesian Optimization）、随机搜索（Random Search）以及遗传算法（Genetic Algorithm）。Hyperopt 不仅适用于机器学习任务，也可以广泛应用于其他需要优化的场景。空间（Space）：定义超参数搜索空间。通常情况下，我们通过指定每个超参数的取值范围来定义一个空间。目标函数（Objective Function）
从0开始学习机器学习--Day25--SVM作业
最新发布
Chef_Chen的博客
11-14 135
注意：虽然C为100时决策边界完美的把正负样本都分开来，但是此时准确度为100%，有可能左边这个点属于异常值，应该要被排除的，在实际运用中出现这种情况要警惕。总结：运用SVM可以帮助我们减少代码量和时间复杂度，但注意根据特征和数据集的数量选择核函数。sigma=50时决策边界。题目2：线性不可分SVM。题目1：线性可分SVM。题目3：寻找最优参数。题目4：垃圾邮件过滤。
支持向量机 SVM
hawk2014bj的博客
11-10 481
本文使用 SkLearn 实现不同类型 SVM 进行数据分类，除了 SVM，线性回归也可以进行分类，可以通过以下建议进行选择。比较标准逻辑回归 (LR)支持向量机 (SVM)数据的线性可分性适合线性可分数据适合线性和非线性数据可解释性高低（尤其是非线性核）计算复杂性低（速度快）高（使用RBF核时较慢）高维数据表现良好表现良好（尤其是文本数据）不平衡数据易于调整调整较复杂超参数调优少（只有正则化参数）多（如 ( C ) 和 ( gamma )）常见应用。
机器学习中的分类：决策树、随机森林及其应用
jun778895的博客
11-11 758
决策树和随机森林是机器学习领域中两种非常强大且流行的分类和回归算法。它们通过模拟人类决策过程，将复杂的数据集分割成易于理解和处理的子集，从而实现对新数据的准确预测。决策树具有结构简单、易于理解和解释等优点，但容易过拟合和对噪声数据敏感。随机森林通过集成多个决策树，能够减少过拟合，提高模型的泛化能力，并具有良好的抗噪声能力和对缺失值问题的处理能力。在实际应用中，需要根据具体问题的特点和需求来选择合适的算法。
机器学习常用算法解析
"3.机器学习常用算法.pdf" 这篇资料详细介绍了机器...总结起来，这份资料是全面介绍机器学习算法的宝贵资源，涵盖了基本概念、主流算法以及不同类型机器学习的概览，对于想要了解或提升机器学习技能的人来说极具价值。
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