2018年06月_max_bay

原创 Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX 12.2942 问题解

参考的这篇博文警告：Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA

2018-06-27 21:48:01 183

原创中文信息处理发展报告(2016）

最近在阅读《中文信息处理发展报告(2016）》，感觉写的不错。需要的同学，可以去中文信息学会网址下载。地址：http://www.cipsc.org.cn/下载的地方如下图所示：...

2018-06-17 22:51:54 1701

原创谷歌机器学习：问题构建 (Framing)：机器学习主要术语

谷歌机器学习：问题构建 (Framing)：机器学习主要术语地址：https://developers.google.cn/machine-learning/crash-course/framing/ml-terminology什么是（监督式）机器学习？简单来说，它的定义如下：机器学习系统通过学习如何组合输入信息来对从未见过的数据做出有用的预测。下面我们来了解一下机器学习的基本术语。标签标签是我们...

2018-06-12 23:09:04 263

原创机器学习热爱者的自学指南：机器谷歌机器学习速成课(中文版)

机器学习速成课程使用 TensorFlow API网址：https://developers.google.cn/machine-learning/crash-course/目录简介：前提条件和准备工作机器学习概念：框架处理（15 分钟）机器学习中的监督学习深入了解机器学习（20 分钟）什么是损失函数，权重和 bias 是什么降低损失（60 分钟）两种梯度下降，及对学习率的实验使用 Tensor...

2018-06-12 22:55:01 442

原创 skearn官方文档及中文版文档

以前学习了sklearn，感觉确实经典。现在再认真的看一遍sklearn文档，常读常新！！官网地址: scikit-learn(sklearn)Scikit-Learn (Sklearn) 中文文档 0.19

2018-06-10 22:32:34 3284

原创机器学习实战笔记（十六）：大数据与MapReduce

最近在看《机器学习实战》一书，关于大数据与MapReduce这一章的内容，在网上看了一些不错的博客，在此记录下。[1] 机器学习实战】第15章大数据与MapReduce[2] 机器学习笔记（Chapter 15 - MapReduce框架）...

2018-06-06 21:08:23 746 1

原创机器学习实战笔记（十五）：利用SVD简化数据

最近在看《机器学习实战》一书，关于利用SVD简化数据这一章的内容，在网上看了一些不错的博客，在此记录下。[1] SVD简化数据[2] 【机器学习实战】第14章利用 SVD 简化数据[3] [完]机器学习实战第十四章利用SVD简化数据[4] SVD简化数据[5] 奇异值分解SVD与PCA[6] 奇异值分解(SVD)原理详解[7] 机器学习笔记]奇异值分解SVD简介及其在推荐系统中的...

2018-06-06 21:00:42 278

原创机器学习实战笔记（十四）：利用PCA来简化数据

最近在看《机器学习实战》一书，关于利用PCA来简化数据这一章的内容，在网上看了一些不错的博客，在此记录下。[1] 机器学习实战之PCA[2] 机器学习第十三章：利用PCA来简化数据[3] 主成分分析（Principal components analysis）-最大方差解释[4] 机器学习实战之PCA[5] [机器学习]-PCA数据降维：从代码到原理的深入解析[6] 通俗理解PCA降维作用...

2018-06-06 20:47:55 447

原创机器学习实战笔记（十三）：使用 FP-growth 算法来高效发现频繁项集

最近在看《机器学习实战》一书，关于 K-均值聚类算法这一章的内容，在网上看了一些不错的博客，在此记录下。[1] 机器学习实战笔记-使用FP-growth算法来高效发现频繁项集[2] 机器学习之使用FP-growth算法来高效发现频繁项集[3] 使用Apriori算法和FP-growth算法进行关联分析（Python版）...

2018-06-04 23:35:32 280

原创机器学习实战笔记（十二）：使用 Apriori 算法进行关联分析

最近在看《机器学习实战》一书，关于 K-均值聚类算法这一章的内容，在网上看了一些不错的博客，在此记录下。[1] 第 11 章使用 Apriori 算法进行关联分析[2] Apriori算法进行关联分析（1）[3] 使用Apriori算法进行关联分析--代码学习[4] 使用Apriori算法和FP-growth算法进行关联分析...

2018-06-04 23:20:12 310

原创机器学习实战笔记（十一）：利用 K-均值聚类算法对未标注数据分组

最近在看《机器学习实战》一书，关于 K-均值聚类算法这一章的内容，再网上看了一些不错的博客，在此记录下。[1] 机器学习实战之K-Means算法[2] 算法杂货铺——k均值聚类(K-means)[3] 深入理解K-Means聚类算法[4] K-means聚类算法的三种改进(K-means++,ISODATA,Kernel K-means)介绍与对比[5] 机器学习（二）——K-均值聚...

2018-06-04 22:36:44 299

原创机器学习实战笔记（十）：树回归

最近在看《机器学习实战》一书，关于树回归这一章的内容，再网上看了一些不错的博客，在此记录下。[1] 机器学习实战之树回归[2] 【机器学习实战-python3】树回归[3] 【机器学习实战第九章】树回归 CART算法的原理与实现[4] [完]机器学习实战第九章树回归[5] 从决策树到随机森林：树型算法的原理与实现...

2018-06-04 21:55:12 461

原创 Windows下简单快速的安装xgboost的方法，亲测有效！

xgboost库安装参考了这篇博文《Windows下在Anaconda3中安装python版的XGBoost库》\。需要说明的是，我把下载后的文件放在了D:\Anaconda3\mywhl目录下。接下来启动Anaconda Prompt.输入： pip install D:\Anaconda3\mywhl\xgboost-0.6+20171121-cp36-cp36m-win_amd64....

2018-06-04 21:21:00 926

原创机器学习实战笔记（九）：预测数值型数据：回归

最近在看《机器学习实战》一书，关于预测数值型数据：回归这一章的内容，再网上看了一些不错的博客，在此记录下。[1] 机器学习实战之回归[2] Python3《机器学习实战》学习笔记（十一）：线性回归基础篇之预测鲍鱼年龄[3] 第8章预测数值型数据：回归[4] 机器学习实战第八章预测数值型数据：回归（Regression）...

2018-06-03 23:28:54 420

原创机器学习实战笔记（八）：利用 AdaBoost 元算法提高分类性能

最近在看《机器学习实战》一书，关于利用 AdaBoost 元算法提高分类性能这一章的内容，再网上看了一些不错的博客，在此记录下。[1] Python3《机器学习实战》学习笔记（十）：提升分类器性能利器-AdaBoost[2] 机器学习实战之AdaBoost算法[3] 分类算法中的非均衡问题[4] [机器学习]-Adaboost提升算法从原理到实践[5] 面试：机器学习--Adaboo...

2018-06-03 21:02:51 264

原创机器学习实战笔记（七）：支持向量机（SVM）（Python3 实现）

关于支持向量机的文章挺多。这里记录下自己感觉不错的博文，供大家在阅读《机器学习实战》一书时，作为参考。 [1] Python3《机器学习实战》学习笔记（八）：支持向量机原理篇之手撕线性SVM[2] Python3《机器学习实战》学习笔记（九）：支持向量机实战篇之再撕非线性SVM[3] 机器学习实战之SVM[4] 支持向量机系列[5] 支持向量机通俗导论（理解SVM的三层境界）[6]...

2018-06-03 15:54:38 2038

原创机器学习实战笔记（六）：Logistic回归（Python3 实现）

1 Logistic回归介绍假设现在有一些数据点，我们用一条直线对这些点进行拟合（该线称为最佳拟合直线），这个拟合过程就称作回归。利用Logistic回归进行分类的主要思想是：根据现有数据对分类边界线建立回归公式，以此进行分类。这里的“回归”一词源于最佳拟合，表示要找到最佳拟合参数集。训练分类器时的做法就是寻找最佳拟合参数，使用的是最优化算法。 1.1 Logistic回归的一般过程...

2018-06-03 00:04:27 9987 5

原创机器学习实战笔记（五）：基于概率论的分类方法：朴素贝叶斯（Python3 实现）

1 基于贝叶斯决策理论的分类方法1.1 朴素贝叶斯优点：在数据较少的情况下仍然有效，可以处理多类别问题。缺点：对于输入数据的准备方式较为敏感。适用数据类型：标称型数据。2 使用朴素贝叶斯进行文档分类 2.1 朴素贝叶斯的一般过程(1) 收集数据：可以使用任何方法。本章使用RSS源。(2) 准备数据：需要数值型或者布尔型数据。(3) 分析数据：有大量特征时，绘制特征作用不大，此时使用直方图效果更好。...

2018-06-02 17:51:24 638

cqulun123的博客