Datawhale X 李宏毅苹果书 AI夏令营 机器学习

最新推荐文章于 2024-08-27 18:34:58 发布
最新推荐文章于 2024-08-27 18:34:58 发布
阅读量108 收藏
点赞数 1
文章标签： 机器学习 人工智能 python github 数据结构
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/m0_53403538/article/details/141534535
版权

第一天:

       首先要了解什么是机器学习,简单来说就是一个语音风扇可以识别人类的话从而做出正确的操作,其内部原理就是机器学习,再深入来说就是机器具备查找函数的能力,通过识别人类的语音转化为对应的函数,然后去执行相应的指令的一个过程。

        那么机器学习怎么分类呢?由于要找的函数不同,如果要输出一个数值或标量则可称为回归,若是从一堆人类已准备好的选项中选择一项输出,则此类称为分类。上面提到的语音识别风扇就是一个分类问题。

       由上所知函数及函数模型对于机器学习是非常重要的,所以要多补补数学哦!1d451b7d314d42ef81ded03c1a43bcab.jpg

 

m0_53403538
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Datawhale X 李宏毅苹果书 AI夏令营(深度学习入门)taks2
m0_55703957的博客
08-24 724
这里我们先设未知参数，按行拼接后的一个长向量称为接下来要定义损失。之前是 L(w, b)，因为 w 跟 b 是未知的。现在未知的参数很多了，再把它一个一个列出来太累了，所以直接用 θ 来统设所有的参数，所以损失函数就变成 L(θ)。损失函数能够判断 θ 的好坏，其计算方法跟刚才只有两个参数的时候是一样的。先给定 θ 的值，即某一组 W, b,, b 的值，再把一种特征 x 代进去，得到估测出来的 y，再计算一下跟真实的标签之间的误差 e。把所有的误差通通加起来，就得到损失。接下来下一步就是优化。
Datawhale X 李宏毅苹果书 AI夏令营 入门 Task1-机器学习
weixin_45488518的博客
08-27 362
3）结构化学习：机器不只是要做选择题或输出一个数字，而是产生一个有结构的物体，比如让机器画一张图，写一篇文章。机器学习：机器具备有学习的能力/让机器具备找一个函数的能力。1）回归：假设要找的函数的输出是一个数值/标量，这种机器学习的任务称为回归。计算每一条记录的预测值与实际值之间的差距，并求平均值得到损失。在未见过的数据上（2021年的数据），模型的误差为 0.58。写出一个带有未知参数的函数（模型），用于预测未来观看次数。初始参数随机选取，然后根据损失函数的梯度来更新参数。，其中 y 是预测的观看次数，
Datawhale X 李宏毅苹果书 AI夏令营（机器学习是什么）
smyzhouzhou的博客
08-25 236
1.机器学习顾名思义，机器具备有学习的能力，具体来讲，机器学习就是让机器具备找一个函数的能力。机器具备找函数的能力以后它可以做很多事，比如语音识别，图像识别等。2.假设要找的函数的输出是一个数值，一个标量，这种机器学习的任务称为回归。除了回归以外，另一个常见的任务是分类。分类不一定有两个选项，也可以有多个选项。3.在机器学习领域里面，除了回归跟分类以外，还有结构化学习。比如让机器画一张图，写一篇文章，这种叫机器产生有结构的东西的问题，称为结构化学习。
【Datawhale X 李宏毅苹果书 AI夏令营】机器学习基础1.1
最新发布
luser2006的博客
08-27 76
机器学习（ML）：赋予机器学习的能力，通过寻找合适函数处理数据。深度学习（DL）：作为机器学习的一个子领域，使用多层神经网络来学习数据的复杂表示。
Datawhale X 李宏毅苹果书 AI夏令营：《深度学习详解》
08-24
Datawhale X 李宏毅苹果书 AI夏令营：《深度学习详解》
Datawhale X 李宏毅苹果书 AI夏令营：TASK2+CNN实践, pytorch，数据增强，可视化
08-26
Datawhale X 李宏毅苹果书 AI夏令营：TASK2+CNN实践, pytorch，数据增强，可视化
Datawhale 5 李宏毅苹果书 AI夏令营.pdf
08-26
Datawhale 5 李宏毅苹果书 AI夏令营.pdf
Datawhale X 李宏毅苹果书 全书
08-26
Datawhale X 李宏毅苹果书 全书
机器学习 第6章 支持向量机
qq_55871320的博客
08-25 844
上式表明：只要一个对称函数所对应的核矩阵半正定,它就能作为核函数使用.事实上,对于一个半正定核矩阵,总能找到一个与之对应的映射φ.换言之,任何一个核函数都隐式地定义了一个称为“再生核希尔伯特空间”的特征空间。在该样本空间中，中间的"实线段"都可作为划分超平面，但它们的效果不尽相同。在现实任务中,原始样本空间内也许并不存在一个能正确划分两类样本的超平面，如下图中的" 异或 问题就不是线性可分的。对这样的问题，可将样本从原始空间映射到一个更高维的特征空间，使得样本在这个特征空间内线性分。
使用Node-RED实现和部署物联网入侵检测的机器学习管道
bit_mike的博客
08-23 884
论文讨论了物联网(IoT)生态系统中边缘设备面临网络攻击的问题，以及如何在这些设备上使用机器学习(ML)技术进行本地入侵检测，以减少对云基础设施的依赖并增强数据隐私。
【机器学习】线性回归
2401_86272648的博客
08-22 1078
解释了线性回归的概念、拟合平面的数学表达、最大似然估计和梯度下降法计算最合适的权重参数的过程。
【机器学习】5. K近邻（KNN）
weixin_48846514的博客
08-23 886
KNN介绍
向量数据库Faiss的搭建与使用｜Faiss｜向量数据库｜高效检索｜机器学习｜大规模数据
08-23 157
在处理高维数据的场景中，快速且高效地进行近似最近邻（ANN）搜索是一个重要且具有挑战性的问题。特别是在图像检索、文本检索、推荐系统等应用中，如何在大规模的向量空间中快速找到相似向量是关键环节。Faiss (Facebook AI Similarity Search) 是由 Facebook AI Research 开发的一个高效的向量相似性搜索库，专门用于处理大规模、高维向量的快速检索。Faiss 提供了多种索引结构和算法，支持 GPU 加速，可以轻松处理上亿条向量数据。
深度学习/机器学习软件教学平台
中智讯的博客
08-20 406
机器学习与深度学习教学系统是基于业界应用广泛的在线机器学习和深度学习建模开发框架JupyterLab开发的，面向高校数据分析、机器学习、深度学习，以及人工智能相关专业教学和实训的教学系统。1）“所见即所得”的在线机器学习和深度学习编程体验，用户可以修改实验代码，调整算法参数，观察不同的实验效果；3）支持不同内核的Python环境，用户也可以自行创建自定义的Python环境，并在教学系统中加载；4）如果存在GPU加速卡时，可以加载GPU环境，实现深度学习模型训练加速；
《机器学习》 AUC性能测试、回归树、随机森林
qq_64603703的博客
08-23 1537
AUC（Area Under Curve）是一种常用的性能指标，用于评估分类模型的性能。在机器学习中，AUC通常是用来评估二分类模型（如逻辑回归、支持向量机等）的预测质量。在机器学习中，性能测量是一项基本任务，因此，当涉及到分类问题时，问哦们可以依靠AUC-ROC曲线，当我们需要检查可视化多类分类问题的性能时，我们使用AUC（曲线下的面积）ROC（接收接收器工作特性）曲线，他是检查任何分类模型性能的最重要评估指标之一。用于解决回归问题的决策树模型。
【机器学习】朴素贝叶斯 决策树 随机森林 线性回归
m0_73658021的博客
08-23 1118
朴素贝叶斯 决策树 随机森林 线性回归一些简单的理解 基于sklean实现
机器学习：opencv图像识别--图片专项
纸上得来终觉浅
08-23 3230
机器学习：opencv图像识别
【机器学习】4. 相似性比较（二值化数据）与相关度(correlation)
weixin_48846514的博客
08-23 718
similarity and correlation
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