【AI】机器学习索引 (ML Index)

最新推荐文章于 2023-07-13 10:51:55 发布
最新推荐文章于 2023-07-13 10:51:55 发布
阅读量1k 收藏 2
点赞数
分类专栏： ML 让AI飞 文章标签： ML index
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/baishuo8/article/details/82082427
版权

机器学习的算法是一种能够从数据中学习的算法。

  1. 机器学习简介：任务 T, 性能度量 P 和 经验 E
  2. 容量、过拟合和欠拟合
  3. 估计、偏差和方差
  4. 模型的评价标准
    1. Confusion Matrix, True Positive, False Positive, True Negative, False Negative, Recall rate, etc
    2. P, AP, mAP
    3. IoU
  5. 最大似然估计
  6. 监督学习算法
    1. 线性回归 Linear Regression
    2. 逻辑回归 Logistic Regression
    3. 支持向量机 SVM
    4. 决策树 Decision tree
    5. 随机森林 Random Forest
  7. 无监督学习算法
最低0.47元/天 解锁文章
北境の守卫
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
AI人工智能学习，机器学习算法
12-14
人工智能，机器学习 1.matplotlib 2.numpy 3.pandas 4.seaborn 5.K近邻算法 6.线性回归 7.逻辑回归 8.决策树 9.集成学习 10.聚类算法 11.朴素贝叶斯 12.SVM算法 13.EM算法 14.HMM算法
机器学习学习索引
weixin_30907523的博客
09-16 183
索引目录 1.机器学习 2.机器学习 3.线性回归 转载于:https://www.cnblogs.com/maplethefox/p/11526333.html
ml index.php,index.php
weixin_39531780的博客
03-23 117
require_once 'vendor/autoload.php';use Phpml\Classification\KNearestNeighbors;use Phpml\Dataset\CsvDataset;use Phpml\Dataset\ArrayDataset;use Phpml\FeatureExtraction\TokenCountVectorizer;use Phpml\Tok...
来给博客除草了：Learned Indexes for a Google-scale Disk-based Database
Andy
01-18 1157
论文研读：Google规模的基于磁盘的数据库的学习索引
经典 Learned Index 结构设计及其应用
Andy
04-26 1311
其整体的思想是保留了 B+树的内部节点（作为导航），把叶子节点替换成学习模型，不存储实际数据，而是存储学习模型的参数。更多的工作是在如何组织这些训练出来的线性模型下功夫，抑或是将已有结构稍作变化或不做变化，应用在某个场景下，在查询性能或存储开销取得了优良的性能。PGM 的基本节点单元使用 Linear Model，采用 Bottom-Up 的构建方式，上一层对下一层的代表数据（每个 Segment 的起始点）递归地使用线性回归来构建索引树，其插入采用了类似 LSM 层次合并的思想来设计。
机器学习中的海量数据查找—倒排索引查找
城南蝈蝈
07-13 106
此外，在某些检索系统中，可能会有不存储词语在文件中位置的情况，但是目前大多数检索系统都会存储，主要基于两个原因：一是在海量数据的检索情况下，全文检索过程中如果没有记录位置，在获取文件动态摘要时，会通过遍历文件的方式查找关键词出现的位置，存在性能损耗，而这对于数据量级较小的系统则影响较小；倒排索引（InvertedIndex）主要用于信息检索领域，它是其中最常用的数据索引存储结构，被用来存储文档集合中某个单词对应的文档集合及单词在文件中存在的位置，因此也称为反向索引，与其相对应的是正向索引。
Learned Index: A Comprehensive Experimental Evaluation
小蚂蚁与大象
04-30 142
为了解决这些问题，本文详细回顾了现有的学习索引，并讨论了学习索引中关键组件的设计选择，包括键查找(预测键位置的位置推断，如果预测的位置不正确则重新搜索位置的位置优化)，键插入，并发和批量加载。然而，像XIndex和FINEdex这样的学习索引获得了较大的索引大小和较高的插入/查找延迟，因为它们使用额外的空间(例如，对级缓冲区)来支持并发操作，这可能会减慢插入/查找操作，因为搜索同时涉及索引和缓冲区。此外，对于高度倾斜的插入数据，学习索引的插入性能下降很大，而传统索引的插入性能更稳定。
AI人工智能课程 机器学习技术分享 机器学习研究进展 共45页.pptx
最新发布
07-17
AI人工智能课程 机器学习技术分享 机器学习研究进展 共45页.pptx
AI人工智能课程 机器学习技术分享 机器学习及其挑战 共23页.pptx
07-17
AI人工智能课程 机器学习技术分享 机器学习及其挑战 共23页.pptx
人工智能导论-机器学习
01-15
随着计算能力的爆炸式增长、大数据的积累以及算法的创新，人工智能在近年来取得了显著的进步，特别是机器学习和深度学习领域的突破，使得AI技术在各个行业得到了广泛应用。 1.1.2 机器学习与深度学习 机器学习是...
b+树，learning index
11-29
## A C++11 implementation of the B-Tree part of "The Case for Learned Index Structures" A research **proof of concept** that implements the B-Tree section of [The Case for Learned Index Structures](https://arxiv.org/pdf/1712.01208.pdf) paper in C++. The general design is to have a single lookup structure that you can parameterize with a KeyType and a ValueType, and an overflow list that keeps new inserts until you retrain. There is a value in the constructor of the RMI that triggers a retrain when the overflow array reaches a certain size. The basic API: ```c++ // [first/second]StageParams are network parameters int maxAllowedError = 256; int maxBufferBeforeRetrain = 10001; auto modelIndex = RecursiveModelIndex recursiveModelIndex(firstStageParams, secondStageParams, maxAllowedError, maxBufferBeforeRetrain); for (int ii = 0; ii < 10000; ++ii) { modelIndex.insert(ii, ii * 2); } // Since we still have one more insert before retraining, retrain before searching... modelIndex.train(); auto result = modelIndex.find(5); if (result) { std::cout << "Yay! We got: " << result.get().first << ", " << result.get().second << std::endl; } else { std::cout << "Value not found." << std::endl; // This shouldn't happen in the above usage... } ``` See [src/main.cpp](src/main.cpp) for a usage example where it stores scaled log normal data. ### Dependencies - [nn_cpp](https://github.com/bcaine/nn_cpp) - Eigen based minimalistic C++ Neural Network library - [cpp-btree](https://code.google.com/archive/p/cpp-btree/) - A fast C++ implementation of a B+ Tree ### TODO: - Lots of code cleanup - Profiling of where the slowdowns are. On small tests, the cpp_btree lib beats it by 10-100x - Eigen::TensorFixed in nn_cpp would definitel
The Case for Learned Index Structures
01-26
The Case for Learned Index Structures，The Case for Learned Index Structures
AI人工智能课程 机器学习技术分享 大数据技术 共16页.pptx
07-17
AI人工智能课程 机器学习技术分享 大数据技术 共16页.pptx
学习型索引结构---开山之作学习 The Case for Learned Index Structures
want_to_fly_的博客
07-06 1062
构建替代 B 树的替代学习模型的关键挑战之一是最后一英里的准确性。例如，使用单个模型把误差从 100M 减少到几百这个数量级是非常困难的。同时，将误差从 100M 降低到 10K，例如 100 * 100 = 10000 的精度实现起来还简单些，这样就可以用简单模型替换 B-Tree 的前两层。同样的，将误差从 10k 降低到 100 是一个更简单的问题，因为模型只需要关注数据的一个子集。提出递归回归模型(见图3)。
机器学习与数据库索引
Old_D7的博客
10-05 809
关系数据库帝国已经独孤求败几十年了！ 自从1970年E.F.Codd 的《大型共享数据库的关系模型》论文横空出世，为关系型数据库奠定了坚实的理论基础，一众关系数据库System R，DB2 ，Oracle，MySQL，Postgres相继诞生，一举推翻了层次和网状数据库的统治。 在过去的几十年中， 对象数据库， NoSQL等相继挑战，但是依然无法撼动它的地位。 当然关系数据库也不是停滞不前，它也在进化，统一的SQL标准，强大的事务支持，更加聪明的查询优化器… 但是帝国也有一个巨大的硬伤，数据都保存在硬盘上，
前沿科技探究之AI在索引推荐的应用
Gauss松鼠会
03-28 4207
本节介绍索引推荐的功能，共包含三个子功能：单query索引推荐、虚拟索引和workload级别索引推荐。 单query索引推荐 单query索引推荐功能支持用户在数据库中直接进行操作，本功能基于查询语句的语义信息和数据库的统计信息，对用户输入的单条查询语句生成推荐的索引。本功能涉及的函数接口如下。 表 1 单query索引推荐功能的接口 函数名 参数 功能 gs_index_advise SQL语句字符串 针对单条查询语句生成推荐索引。 说明： 本功能仅支持单条SELECT类型的语句，
Jeff Dean的Learned Index为数据库索引带来了哪些启发1
nosqlnotes的博客
03-09 2551
这篇论文在两个月前刚被公布出来的时候，因为带着Jeff Dean的署名曾一度被热传，但直到今天才认真读完这篇论文。Learned Index基于机器学习的方法，对传统数据库索引做了改造。本文先介绍Learned Index的RM-Index模型以及与B-Tree索引的对比。如论文开篇所言，可以将传统的数据库索引(Index)视为一种模型(Model)：B-Tree索引B-Tree索引模型将一个Ke...
AI技术内参048-搜索索引及其相关技术概述
sucaiwa的博客
04-24 300
我们经常看到搜索结果页面上有几句话的摘要信息，这个信息就需要查询关键字的位置来生成。
Learned Index on GPU（ICDE2022）
小蚂蚁与大象
08-03 274
3) GPU具有层次化的存储空间和独特的高效访存方式，因此需要考虑当前学习到的索引结构在GPU体系结构中的适应性。阅读者总结：这篇论文的核心是将GPU和PGM-index结合起来，总体上更加偏向工程实现，在学习索引的设计上明显地没有看出什么新颖点，当然了GPU是适合并发线程的计算过程，加速查询，但是这学习索引问题本身的解决上 没有什么多的贡献。根据近年来对学习索引的研究，提出了一种将GPU和学习索引的优势相结合的新思路，将学习索引放在GPU内存中，充分利用GPU的高并发和计算能力。...
空间数据库引擎：人工智能与机器学习驱动的空间索引
人工智能-机器学习-面向空间数据库引擎的空间索引技术在现代信息技术中占据着重要地位。传统的关系型数据库虽然能够存储空间对象的数据，但并不支持高效的空间数据访问。这是因为空间数据具有多维特性，这与关系...
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