![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
笔记
文章平均质量分 91
touristcwl
这个作者很懒,什么都没留下…
展开
-
小白笔记之“K近邻法”
机器学习小白笔记原创 2016-11-10 22:11:35 · 325 阅读 · 0 评论 -
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原创 2017-06-09 23:10:06 · 2186 阅读 · 0 评论 -
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转载 2016-11-15 10:07:10 · 325 阅读 · 0 评论 -
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.转载 2016-11-15 09:51:07 · 602 阅读 · 0 评论 -
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转载 2016-11-15 09:49:49 · 470 阅读 · 0 评论 -
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转载 2016-11-15 09:48:34 · 1007 阅读 · 0 评论 -
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:转载 2016-11-15 09:45:49 · 303 阅读 · 0 评论 -
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转载 2016-11-15 09:44:21 · 345 阅读 · 0 评论 -
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转载 2016-11-12 19:43:25 · 812 阅读 · 0 评论 -
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原创 2018-01-16 14:12:14 · 426 阅读 · 0 评论