机器学习
文章平均质量分 50
Jerry_Fu24
这个作者很懒,什么都没留下…
展开
-
机器学习深入与强化--概念
一、机器学习的概念 计算机模拟人的学习行为,以获取新的知识和经验,并重新组织已有的知识使之不断的完善。简单说就是,计算机从数据中学习出规律和模式,以应用在新的数据上做预测任务。 二、人工智能(AI)、机器学习(ML)和深度学习(DL) 三者的关系可以用如下的同心圆进行表达。一种技术的发展原创 2017-09-17 16:51:57 · 396 阅读 · 0 评论 -
机器学习深入与强化--数学基础(1)
数学基础十分重要!!! 如果不掌握这些数学基础知识,不了解机器学习算法的底层数学逻辑,仅仅知道它在某个场景下如何使用,相当于是把算法当做一个黑盒在使用——把数据喂进去,拿出来模型。但是如果此时模型的效果并未达到理想的要求,如何调优就会成为一个很大的难题。 一、夹逼定理 sinx sinx为线段BC的长度,小于线段AB,小于弧AB ----> sinx sinx 同时扇形A原创 2017-09-17 18:00:28 · 787 阅读 · 0 评论 -
机器学习深入与强化--回归分析与工程应用
线性回归与逻辑回归 主要是三个概念:损失函数、梯度下降、过拟合与正则化 1、线性回归——连续值变量的预测原创 2017-09-24 17:38:55 · 619 阅读 · 0 评论 -
机器学习深入与强化--工作流程与模型优化
实际建模之前,需要做数据的处理,首先是数据清洗,2点,然后是数据采样,因为大部分模型对正负样本的比例都十分敏感。 之后非常重要的就是特征工程,它包括特征处理和特征选择两部分,首先是特征处理,针对不同类型的特征值进行处理。特征选择包括 过滤型、包裹型和内嵌型,过滤型考虑单个特征与y值之间的相关度,挑选最相关的特征留下来。包裹型是指逐步取特征的子集,在子集上跑算法,看效果是否比在特征全集上好,比如原创 2017-09-27 21:49:53 · 479 阅读 · 0 评论 -
机器学习深入与强化--特征工程
机器学习算法是一个架子,特征需要我们自己去处理,做出更好的特征,让算法去学习,从而达到更好的效果。 意义中灵活性指的是,如果使用的是简单的LR,处理起来更灵活,更好控制。 做的都是一些基础的事情,比如: 1、跑数据,但互联网的数据都是大数据,不会存在一台服务器上,一般存在HDFS或者Hive表里,自己去写mapreduce的任务,去写HQL去聚合处理这些数据,也就是在数据仓库里打杂。原创 2017-09-25 23:04:44 · 761 阅读 · 0 评论 -
机器学习深入与强化--数学基础(2)
一、概率与统计 1、不是为了学习概率与统计,而是为了进行机器学习而补充相关的概率统计知识。 2、概率与统计的水很深,不必强求全面。 3、关键是打通概率与统计和机器学习的关系。 二、概率与统计的差别:两种相反的思路 概率:已知总体,求某种事件发生的概率。 统计:已知事件,估计产生这个时间的总体的分布。 三、概率统计与机器学习的关系 1、统计估计的是分布,机器学习训练出原创 2017-09-19 20:33:03 · 498 阅读 · 0 评论