![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
算法梳理
文章平均质量分 84
yxyibb
文艺程序媛
展开
-
AI-理论-吃瓜教程-神经网络-task4
AI-理论-吃瓜教程-神经网络-task4(Datawhale37期组队学习)文章目录AI-理论-吃瓜教程-神经网络-task41知识点2具体内容2.1神经元模型2.2感知机2.3多层网络2.4误差逆传播2.5全局最小与局部极小2.6常见NN2.7DL3待补充4Q&A5code6参考1知识点神经元模型感知机多层网络误差逆传播全局最小与局部极小常见NNDL2具体内容2.1神经元模型神经元:简单单元M-P神经元模型多个输入+带权重连接+与阈值比较+激活函数原创 2022-05-29 23:41:48 · 3429 阅读 · 0 评论 -
AI-理论-吃瓜教程-决策树-task3
AI-理论-吃瓜教程-决策树-task3(Datawhale37期组队学习)文章目录AI-理论-吃瓜教程-决策树-task31知识点2具体内容2.1流程2.2划分选择2.2.1信息熵2.2.2信息增益2.2.3增益率2.2.4基尼指数3待补充4Q&A5code6参考1知识点流程划分选择信息熵信息增益增益率基尼系数2具体内容2.1流程决策树(decision tree),判定树叶节点-》决策结果根节点(包含样本全集)、内部节点(包含对应样本集合)-》属性测试根原创 2022-05-24 23:51:37 · 108 阅读 · 0 评论 -
AI-理论-吃瓜教程-线性模型-task2
AI-理论-吃瓜教程-线性模型-task2(Datawhale37期组队学习)文章目录AI-理论-吃瓜教程-线性模型-task21知识点2具体内容2.1基本2.2线性回归2.3对数几率回归(分类)2.4线性判别分析(LDA)2.5多分类学习2.6类别不平衡问题3待补充4Q&A5code6参考1知识点基本线性回归对数几率回归线性判别分析多分类学习类别不平衡问题2具体内容2.1基本线性模型的基本形式,学习w,b,拟合一条直线:2.2线性回归拟合直线尽可能准确预测输出原创 2022-05-22 22:24:48 · 198 阅读 · 0 评论 -
AI-理论-吃瓜教程-基础-task1
(Datawhale37期组队学习)文章目录AI-理论-吃瓜教程-基础-task11知识点2具体内容2.1基本术语2.2归纳偏好2.3经验误差、过拟合2.4评估方法2.5性能度量2.6比较检验2.7偏差与方差3待补充4Q&A5code6参考1知识点基本术语归纳偏好经验误差、过拟合评估方法性能度量比较检验偏差与方差2具体内容2.1基本术语通过计算手段,利用经验改善系统自身的性能。模型->学习算法数据集特征、属性属性空间、样本空间训练集泛化:学得模型适用于.原创 2022-05-15 23:13:27 · 229 阅读 · 0 评论 -
AI-理论-花书浅笔-D3概率论信息论
AI-理论-花书浅笔-D3概率论信息论(AI算法系列)文章目录AI-理论-花书浅笔-D3概率论信息论1知识点2具体内容2.1 基本概念2.2 常用概率2.3常用函数2.4贝叶斯规则2.4 信息论2.5 结构化概率模型(图模型)3待补充4Q&A5code6参考1知识点使用概率随机变量概率分布边缘概率条件概率条件概率链式法则独立性、条件独立性期望、方差、协方差常用概率分布常用函数的有用性质贝叶斯规则连续变量信息论结构化概率模型2具体内容2.1 基本概念使用原创 2022-05-11 21:01:22 · 122 阅读 · 0 评论 -
AI-理论-花书浅笔-D2线性代数
AI-理论-花书浅笔-D2线性代数(AI算法系列)文章目录AI-理论-花书浅笔-D2线性代数1知识点2具体内容2.1 标量、向量、矩阵、张量(广播)2.2 矩阵、向量相乘2.3 单位矩阵、逆矩阵2.4 线性相关、生成子空间2.5 范数2.6 特殊类型矩阵、向量2.7 特征分解2.8 奇异值分解2.9 Moore-Penrose伪逆2.10 迹运算2.11 行列式2.12 主成分分析3待补充4Q&A5code6参考1知识点标量、向量、矩阵、张量(广播)矩阵、向量相乘单位矩阵、逆矩阵线性原创 2022-05-10 00:26:14 · 142 阅读 · 0 评论 -
AI-理论-花书浅笔-D1引言
AI-理论-花书浅笔-D1引言(AI算法系列)文章目录AI-理论-花书浅笔-D1引言1知识点2具体内容2.1一些定义2.2历史趋势3待补充4Q&A5code6参考1知识点一些定义历史趋势2具体内容2.1一些定义人工智能 artificial intelligenceAI深度学习 deep learning知识库 knowledge base机器学习 machine learning:从原始数据提取模式的能力逻辑回归 logistic regression朴素贝叶斯原创 2022-05-09 17:17:05 · 356 阅读 · 0 评论 -
UnusualDeepLearning-task5
task5RNN(Datawhale31期组队学习)文章目录task5RNN基础点知识点参考基础点计算图RNN基本原理结构BPTT长短时记忆网络LSTM经典的循环神经网络Gated Recurrent Unit(GRU)Peephole LSTMBi-directional RNN(双向RNN)Continuous time RNN(CTRNN)主要应用语言模型自动作曲机器翻译自动写作图像描述知识点参考https://datawhalec原创 2021-12-02 01:11:01 · 85 阅读 · 0 评论 -
UnusualDeepLearning-task4
task3前馈神经网络(Datawhale31期组队学习)文章目录task3前馈神经网络基础点知识点1 神经元模型基础点神经元模型神经元(M-P)网络结构感知器、多层感知器单层感知器多层感知器BP算法基本过程激活函数示例优化知识点1 神经元模型神经网络是最早的一种连接模...原创 2021-11-21 17:50:19 · 111 阅读 · 0 评论 -
UnusualDeepLearning-task3
task3前馈神经网络(Datawhale31期组队学习)文章目录task3前馈神经网络基础点知识点1 神经元模型1.1 神经元(M-P)1.2 网络结构2 感知器2.1 单层感知器-线性可分2.2 多层感知器-线性不可分3 BP算法3.1 过程3.2 激活函数3.3 BP示例4 优化问题4.1 难点4.2 需求4.3 非凸优化问题4.4 梯度消失问题参考基础点神经元模型神经元(M-P)网络结构感知器、多层感知器单层感知器多层感知器BP算法基本过程激活函数示例原创 2021-11-16 23:32:01 · 633 阅读 · 0 评论 -
UnusualDeepLearning-task2
task2机器学习基础(Datawhale31期组队学习)文章目录task2机器学习基础基础点知识点1准备概念2数据集2.1分类2.2常见数据集3误差分析3.1误差3.2泛化误差分析3.3交叉验证4有监督学习4.1线性回归4.2逻辑回归(分类算法)4.3支持向量机(SVM)4.4决策树(DT)4.5随机森林5无监督学习5.1聚类5.2降维参考基础点数据集误差分析ML算法有监督、线性回归、SVM、决策树、RF无监督、聚类、降维(PCA)知识点1准备概念让机器具备人一样学习、思考原创 2021-11-15 18:43:52 · 739 阅读 · 0 评论 -
UnusualDeepLearning-task1
UnusualDeepLearning-task1绪论与深度学习概述、数学基础(Datawhale31期组队学习)文章目录UnusualDeepLearning-task1基础点知识点1 人工智能、机器学习与深度学习1.1 人工智能1.2 机器学习2 深度学习的定义和主要应用2.1 定义2.2 应用3 数学基础3.1 矩阵论3.2 概率统计3.4 最优化估计参考基础点人工智能、机器学习与深度学习起源与发展重要的研究机构和著名科学家深度学习的定义和主要应用定义、理论和方法主要应用原创 2021-11-15 15:30:30 · 3443 阅读 · 0 评论 -
7天机器学习基础知识过滤
学习资料:链接DAY11.机器学习概述1.1 什么是机器学习?官方:从数据中自动分析获得规律(模型),并利用规律对未知数据进行预测。老师解释:模型:算法模型,是一个特殊的对象。该算法模型对象中已经集成或封装好了某种形式的方程/算法。(还没有求出节的方程)模型作用:预测:通过方程或算法产生一个新的未知的数据、事物分类:将一个未知归类的事物给其归属到一个已有的类群中注意:算法模型对应的算法或者方程求出的解就是预测或分类的结果样本数据:模型训练:将样本数据带入模型中,进行训练(原创 2021-04-15 20:29:07 · 197 阅读 · 0 评论 -
决策树算法梳理
目录1. 信息论基础(熵 联合熵 条件熵 信息增益 基尼不纯度)2.决策树的不同分类算法(ID3算法、C4.5、CART分类树)的原理及应用场景3. 回归树原理4. 决策树防止过拟合手段5. 模型评估6. sklearn参数详解,Python绘制决策树7.参考1. 信息论基础(熵 联合熵 条件熵 信息增益 基尼不纯度)1.熵:本是热力学中表征物质状态的参量之一,...原创 2019-01-08 21:11:10 · 1107 阅读 · 0 评论 -
逻辑回归算法梳理
目录1、逻辑回归与线性回归的联系与区别2、 逻辑回归的原理3、逻辑回归损失函数推导及优化4、 正则化与模型评估指标5、逻辑回归的优缺点6、样本不均衡问题解决办法7. sklearn参数1、逻辑回归与线性回归的联系与区别联系:逻辑回归是广义的线性回归区别:1、线性回归一般解决回归问题。逻辑回归一般解决分类问题,是最基本的分类算法。2、线性回归的参数计算...原创 2019-01-06 22:40:54 · 449 阅读 · 0 评论 -
西瓜书-2线性模型
线性模型2019-06-24 00:00 至 2019-06-25 23:59学习时长:6/24——6/25任务标题:线性模型任务简介:学习西瓜书3.1/3.2/3.3,观看西瓜书公式推导学习指南和线性模型公式推导视频任务详解:这部分就是我们要学习的第一个机器学习模型,线性模型,一个简单而重要的模型,前两节主要讲线性回归,这个就是我们过去学过的最小二乘法的内容,相信大家都不陌生的。而第...原创 2019-06-25 21:56:49 · 547 阅读 · 1 评论 -
西瓜书-NLP比赛
代码import pandas as pdfrom sklearn.linear_model import LogisticRegressionfrom sklearn.feature_extraction.text import CountVectorizerdf_train = pd.read_csv('./train_set.csv')df_test = pd.read_csv(...原创 2019-06-24 21:15:02 · 181 阅读 · 0 评论 -
西瓜书-3 决策树
决策树任务标题:决策树的分裂准则任务简介:学习西瓜书4.1/4.2,观看西瓜书决策树公式推导视频任务详解:这部分主要讲两方面的内容:第一,面对一个实际的数据集,应该如何构建出一颗树;第二,在构建树的过程中,树分裂节点时,如何选择出最优的属性作为分裂节点。这两方面是树模型的最为关键的部分,请大家认真搞清楚其中的每一个概念。希望大家能够掌握构建一个棵树的基本流程。笔记...原创 2019-07-02 23:10:48 · 358 阅读 · 0 评论 -
西瓜书-4支持向量机(SVM)
学习内容介绍:支持向量机,在深度学习未火之前,支持向量机一直都是学术界和工业界的热点,这得益其优秀的性能,特别是面对数据规模比较小的时候,不同简单的逻辑回归,支持向量机能够构建出数据之间的非线性关系。同时,在机器学习的面试过程中,支持向量机一直都是热点问题,因为这部分能够对同学的数学功底进行考察,所以请大家认真对待这章的关键公式。学习完本章后,希望大家能够理清两个逻辑思维:一个是,支持向量机的...原创 2019-07-09 22:26:44 · 409 阅读 · 0 评论 -
西瓜书-sklearn中逻辑回归算法
要求学习时长:6/27—6/28任务标题:学习sklearn包中逻辑回归算法的使用任务简介:实验-sklearn-user guide 1.1.11任务详解:本节的主要任务是,了解sklearn包中逻辑回归算法的使用。逻辑回归算法大家基本了解了,简单使用大家也用过了。但是这次实验的主要目的,是让大家了解一下sklearn包的官网,这个官网提供了详细的教程和案例,对于机器学习来讲是一种...原创 2019-06-28 23:47:29 · 1124 阅读 · 0 评论 -
西瓜书-4sklearn包中svm算法的使用
计划学习时长:7/13——7/14任务标题:了解sklearn包中svm算法的使用任务简介:阅读sklearn-user guide 1.4.1任务详解:了解sklearn包中的SVM算法是如何使用的,请大家认真看完1.4.1的内容,重点关注两部分内容:第一,怎么使用【SVC】这个api,第二,这个api中的参数是什么意思。其中在最末端有一个案例的链接,大家可选择看,不作为任务要求。同学...原创 2019-07-14 17:41:36 · 477 阅读 · 0 评论 -
西瓜书-极大似然估计与朴素贝叶斯
学习内容西瓜书的第7章 贝叶斯分类器。极大似然估计和朴素贝叶斯分类器。其中极大似然法贯穿我们整个机器学习和深度学习的理论中,是很多学习算法的基础,所以大家比如掌握。另外朴素贝叶斯因为其优秀的速度优势,比如过去的判别邮件是否是垃圾邮件的任务中,一直扮演着重要决策,所以大家应该了解其思想。学习时长:7/15——7/16任务标题:极大似然估计与朴素贝叶斯任务简介:学习西瓜书7.2/7.3...原创 2019-07-16 22:24:20 · 678 阅读 · 0 评论 -
线性回归算法梳理
1.机器学习的一些概念有监督:训练及测试数据样本有对应标签,则该算法模型成为有监督学习。无监督:训练及测试数据样本没有对应标签,则该算法模型成为无监督学习。泛化能力:算法模型在训练数据之外的其他数据集上的表现能力。即算法对新鲜样本的适应能力。过拟合:算法模型为了得到一致性假设而使假设变得过度严格。一般表现为,一个假设在训练数据上能获得比其他假设更好的拟合,但在训练数据集外但其他数据...原创 2019-01-04 19:49:01 · 458 阅读 · 0 评论