machine learning
文章平均质量分 71
Encarta1993
Talk is cheap. Show me the code
展开
-
机器学习 - 机器学习理论基础
所谓理论理解,就是要考虑模型的可解释性,即输入与输出之间是什么关系,怎样才能获得预期的结果,这种方法的内部机制是什么,并考量方法涉及文献的深度和完整性。理论理解程度高的方法往往具有公式化的实现,具有强大的理论基础和可预测的结果。深度学习领域并不是由它的理论基础打开的,理论基础在2010之后深度学习热潮兴起的20多年前就被发现了,而是由消费级 GPU 实现的并行处理刺激了它的复兴。所谓的经验效用是一种综合考量,它考虑方法的适用性广度、实现的难易程度,以及最重要的因素,即在现实世界中的有用程度。原创 2022-09-18 13:56:54 · 1395 阅读 · 0 评论 -
机器学习 - 机器学习名字的由来
1956年,阿瑟·萨缪尔(Arthur Samuel)应约翰·麦卡锡(John McCarthy)邀请,在达特茅斯会议介绍自己研发的一个西洋跳棋程序,这个程序具有“学习能力”,它可以通过对大量棋局的分析逐渐辨识出当前局面下的"好棋"和"坏棋',从而不断提高下棋水平。从当时研究者的意图来看,机器学习是为了描述计算机的设计过程而创建的,该过程利用统计方法来改善性能。在那个年代,致力于“智能”的科学家们的研究视角还未转向“数据驱动”,而是专注于自动机理论、形式逻辑和控制论等东西。原创 2022-09-09 20:30:00 · 869 阅读 · 0 评论 -
机器学习 - 统计学习简史
19世纪初,勒让德(Legendre)和高斯(Gauss)发表了有关最小二乘法的文章。原创 2022-09-09 22:30:00 · 384 阅读 · 0 评论 -
机器学习 - 什么是机器学习
是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。是使用统计方法的一种机器学习。可视作基于数据的机器学习问题的一个特例。从一些观测(训练)样本出发,试图得到一些不能通过原理分析得到的规律,并利用这些规律来分析客观对象,从而对未来的数据进行较为准确的预测。统计学习可以理解为在机器学习的学科下,利用统计学知识和数值型数据来进行机器学习(或优化)。原创 2022-09-08 19:00:00 · 382 阅读 · 0 评论 -
【ML】- 002 线性回归02-梯度下降法python实现
梯度下降法的纯python实现构造数据集def h(x1, x2, x3): return 3 + 2 * x1 - 6 * x2 + 12 * x3x = [[3, 6, 2], [-5, 3, 9], [9, 4, 1], [-9, 3, 5], [7, 3, -2], [-2, -1, 9], [3, 2, 9]]y = []for i, j, k in x: v = h(i, j, k) y.append(v)print('x:', x)print('原创 2020-09-28 14:54:50 · 139 阅读 · 0 评论 -
【ML】- 001 线性回归01-梯度下降法基础理论
基础理论数据集给定数据集{(x(1),y(1)),(x(2),y(2)),⋯ ,(x(m),y(m))}\{(x^{(1)}, y^{(1)}), (x^{(2)}, y^{(2)}), \cdots, (x^{(m)}, y^{(m)})\}{(x(1),y(1)),(x(2),y(2)),⋯,(x(m),y(m))},其中x(i)={x1(i),x2(i),⋯ ,xn(i)}x^{(i)} = \{x_1^{(i)}, x_2^{(i)}, \cdots, x_n^{(i)}\}x(i)={x1原创 2020-07-13 00:48:01 · 144 阅读 · 0 评论