- 博客(11)
- 收藏
- 关注
原创 feature-engineering
本文是从H20.ai的视频翻译之后总结而来。特征工程主要在与模型训练的时候使用.例如使用极坐标便可以将十分难转化的数据转化为非常好分割的数据。在特征工程的Hypothesis set(假设集)的过程,使用领域知识、先验经验、EDA和模型的训练反馈得到特征。在特征工程的validate hypothesis(验证假设)的过程可以使用交叉验证,metri
2018-01-16 14:12:14
425
原创 数据比赛资料(杂合)
机器学习资料spark ml 算法原理剖析以及具体的源码实现分析https://github.com/endymecy/spark-ml-source-analysis苍老师 quora 开源代码http
2017-06-09 23:10:06
2185
转载 coursera机器学习笔记之“Clustering”
Content 9. Clustering 9.1 Supervised Learning and Unsupervised Learning 9.2 K-means algorithm 9.3 Optimization objective 9.4 Random Initialization 9.5 Choosing the Number o
2016-11-15 10:07:10
324
转载 coursera机器学习笔记之“Support Vector Machines(SVMs)”
Content 8. Support Vector Machines(SVMs) 8.1 Optimization Objection 8.2 Large margin intuition 8.3 Mathematics Behind Large Margin Classification 8.4 Kernels 8.
2016-11-15 09:51:07
600
转载 coursera机器学习笔记之“Machine Learning System Design”
Content 7 Machine Learning System Design 7.1 Prioritizing What to Work On 7.2 Error Analysis 7.3 Error Metrics for Skewed Classed 7.3.1 Precision/Recall 7.3.2 Tradin
2016-11-15 09:49:49
469
转载 coursera机器学习笔记之“学习模型的评估与选择”
Content 6. 学习模型的评估与选择 6.1 如何调试学习算法 6.2 评估假设函数(Evaluating a hypothesis) 6.3 模型选择与训练/验证/测试集(Model selection and training/validation/test sets) 6.4 偏差与方差 6.4.1 Diagnosing b
2016-11-15 09:48:34
1007
转载 coursera机器学习笔记之“Neural Networks (part two)”
content: 5 Neural Networks (part two) 5.1 cost function 5.2 Back Propagation 5.3 神经网络总结 接上一篇4. Neural Networks (part one). 本文将先定义神经网络的代价函数,然后介绍逆向传播(Back Propagation:
2016-11-15 09:45:49
302
转载 coursera机器学习笔记之“Neural Networks (part one)”
Content: 4. Neural Networks (part one) 4.1 Non-linear Classification. 4.2 Neural Model(神经元模型) 4.3 Forward Propagation 4.4 神经网络实现与或非门以及异或门 4.4.1 实现与或非门(AND/OR
2016-11-15 09:44:21
345
转载 coursera机器学习笔记之“Bayesian statistics and Regularization”
该文转自llhthinker的pushpop博客,原地址为http://www.cnblogs.com/llhthinker/p/5351201.htmlContent 3. Bayesian statistics and Regularization. 3.1 Underfitting and overfitting. 3.2 Bayesian
2016-11-12 19:43:25
811
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人