机器学习
风铃峰顶
个人项目经历请搜索:
http://www.haoranhaoshi.top/
展开
-
深度学习:神经元、神经网络、激活函数、损失函数、前向传播、后向传播
神经元就是处理单元,处理逻辑称激活函数。多个神经元构成神经网络。输入层经过神经网络,得到输出层。神经元构成的层,称隐藏层,可以有多层,共享输入集和输出集。神经网络训练时,选择一个样本,确定输入层和输出层,根据经验预设激活函数集,然后前向传播,也就是从输入层到输出层方向调整激活函数集的参数。换一个样本,根据新的输入层和当前的神经网络,得到实际输出层。根据损失函数(根据输出的预期值和实际值的差距容忍度建立)计算拟合度,然后后向传播,也就是从预期输出层方向到输入层方向调整激活函数集的参数。..原创 2021-09-03 21:33:37 · 386 阅读 · 0 评论 -
吴恩达机器学习记录一
第一章(可结合《机器学习实战》:https://blog.csdn.net/haoranhaoshi/article/details/81876539):优势在于机器的耐心和精力。大量训练,使任务T由经验E得到性能度量P。适合相当数量的或强或弱的相关属性,共同决定一个结果。聚类的应用:找出机器集群中协同工作的集合;找出社交群体中兴趣相似的集合;找出客户群体中购买倾向相似的集合;找出星系中矿...原创 2019-03-03 16:33:15 · 118 阅读 · 0 评论 -
《机器学习实战》
源码和数据集下载:原版:https://github.com/pbharrin/machinelearninginaction中文加注版:https://github.com/xyxxmb/Machine-Learning-In-Action笔记:前言1、思考者负责模型建立,执行者负责程序编写。2、有利基础:递归、树、线代、概率论、Python。3、数据挖掘十大算法:C4.5决...原创 2018-08-20 19:37:35 · 230 阅读 · 0 评论 -
机器学习实战之kNN
k-近邻算法的概述:测试数据的特征和已有数据的特征,相近的排名中前k个中多数的类型,即为测试数据的类型。适合解决无判断边界,多特征的分类问题。k-近邻算法的工作原理是:存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本集中...原创 2019-03-17 17:42:04 · 289 阅读 · 0 评论 -
机器学习实战之决策树
决策树概述:分支判断。选择可以使类型明确(即有序,熵小)的特征,优先判断。计算每个特征按每个特征值分类后的熵,然后求和,优先判断最小的熵和所在的特征。决策树的一个重要任务是为了数据中所蕴含的知识信息,因此决策树可以使用不熟悉的数据集合,并从中提取出一系列规则,在这些机器根据数据集创建规则时,就是机器学习的过程。专家系统中经常使用决策树,而且决策树给出结果往往可以匹敌在当前领域具有几十年工作...原创 2019-03-26 22:10:18 · 243 阅读 · 0 评论