w3071206219的博客

转载 斯坦福CS231n李飞飞计算机视觉之线性分类上

线性分类器简介 线性评分函数 阐明线性分类器 译者注：上篇翻译截止处 损失函数 多类SVM Softmax分类器 SVM和Softmax的比较 基于Web的可交互线性分类器原型 小结线性分类上一篇笔记介绍了图像分类问题。图像分类的任务，就是从已有的固定分类标签集合中选择一个并分配给一张图像。我们还介绍了k-Nearest Neighbor （k-NN）分类器，该分类器...

转载 斯坦福CS231n李飞飞计算机视觉之数据驱动的图像分类下

图像分类、数据驱动方法和流程 Nearest Neighbor分类器 k-Nearest Neighbor 验证集、交叉验证集和超参数调优 译者注：下篇翻译起始处 Nearest Neighbor的优劣 小结 小结：应用kNN实践 拓展阅读用于超参数调优的验证集k-NN分类器需要设定k值，那么选择哪个k值最合适的呢？我们可以选择不同的距离函数，比如L1范数和L2范数等，那么...

转载 斯坦福CS231n李飞飞计算机视觉之数据驱动的图像分类上

图像分类、数据驱动方法和流程 Nearest Neighbor分类器 k-Nearest Neighbor 译者注：上篇翻译截止处 验证集、交叉验证集和超参数调参 Nearest Neighbor的优劣 小结 小结：应用kNN实践 拓展阅读图像分类目标：这一节我们将介绍图像分类问题。所谓图像分类问题，就是已有固定的分类标签集合，然后对于输入的图像，从分类标签集合中找出一个分...

转载 coursera-斯坦福-机器学习-吴恩达-大量数据获取和上限分析

18.3 获取大量数据和人工数据参考视频: 18 - 3 - Getting Lots of Data and Artificial Data (16 min).mkv如果我们的模型是低方差的，那么获得更多的数据用于训练模型，是能够有更好的效果的。问题在于，我们怎样获得数据，数据不总是可以直接获得的，我们有可能需要人工地创造一些数据。以我们的文字识别应用为例，我们可以字体网站下载各种字...

转载 coursera-斯坦福-机器学习-吴恩达-OCR文字识别

十八、应用实例：图片文字识别(Application Example: Photo OCR)18.1 问题描述和流程图参考视频: 18 - 1 - Problem Description and Pipeline (7 min).mkv图像文字识别应用所作的事是，从一张给定的图片中识别文字。这比从一份扫描文档中识别文字要复杂的多。为了完成这样的工作，需要采取如下步骤：...

转载 coursera-斯坦福-机器学习-吴恩达-在线学习和多台计算机计算

17.5 在线学习参考视频: 17 - 5 - Online Learning (13 min).mkv在这个视频中，讨论一种新的大规模的机器学习机制，叫做在线学习机制。在线学习机制让我们可以模型化问题。今天，许多大型网站或者许多大型网络公司，使用不同版本的在线学习机制算法，从大批的涌入又离开网站的用户身上进行学习。特别要提及的是，如果你有一个由连续的用户流引发的连续的数据流，进入你的...

转载 coursera-斯坦福-机器学习-吴恩达-推荐系统

十六、推荐系统(Recommender Systems)16.1 问题形式化参考视频: 16 - 1 - Problem Formulation (8 min).mkv在接下来的视频中，我想讲一下推荐系统。我想讲推荐系统有两个原因：第一、仅仅因为它是机器学习中的一个重要的应用。在过去几年，我偶尔访问硅谷不同的技术公司，我常和工作在这儿致力于机器学习应用的人们聊天，我常问他们，最重要...

转载 coursera-斯坦福-机器学习-吴恩达-异常检测

[TOC] 十五、异常检测(Anomaly Detection)15.1 问题的动机参考文档: 15 - 1 - Problem Motivation (8 min).mkv在接下来的一系列视频中，我将向大家介绍异常检测(Anomaly detection)问题。这是机器学习算法的一个常见应用。这种算法的一个有趣之处在于：它虽然主要用于非监督学习问题，但从某些角度看，它又类似于一些监督...

转载 coursera-斯坦福-机器学习-吴恩达-K-Means

13.1 无监督学习：简介参考视频: 13 - 1 - Unsupervised Learning_ Introduction (3 min).mkv在这个视频中，我将开始介绍聚类算法。这将是一个激动人心的时刻，因为这是我们学习的第一个非监督学习算法。我们将要让计算机学习无标签数据，而不是此前的标签数据。那么，什么是非监督学习呢？在课程的一开始，我曾简单的介绍过非监督学习，然而，我们还...

转载 coursera-斯坦福-机器学习-吴恩达-支持向量机

支持向量机(Support Vector Machines)12.1 优化目标参考视频: 12 - 1 - Optimization Objective (15 min).mkv到目前为止,你已经见过一系列不同的学习算法。在监督学习中，许多学习算法的性能都非常类似，因此，重要的不是你该选择使用学习算法A还是学习算法B，而更重要的是，应用这些算法时，所创建的大量数据在应用这些算法时，表现...

原创 无监督学习DBSCAN密度聚类

   import numpy as npfrom sklearn.cluster import KMeans def loadData(filePath): fr = open(filePath,'r+') lines = fr.readlines() retD...

原创 无监督学习K-means聚类算法

原创 无监督学习之二降维

原创 无监督学习之聚类

原创 数据集的介绍和调用

‘

原创 Python机器学习软件配置安装

原创 机器学习的目标及参考资料