- 博客(38)
- 收藏
- 关注
RSS订阅原创 什么是神经网络：神经网络超详细代码实战
前面的章节我们已经讲解了神经网络的构成参数更新方式和一些弊端以及解决方法，接下来进入实战环节，让我们以一个小项目来入手神经网络。
2024-05-07 21:24:28
724
原创 什么是神经网络：过拟合
神经网络过拟合是指模型在训练过程中过度学习训练数据的细节和噪音，导致在未见过的数据上表现不佳的现象。具体来说，神经网络在训练过程中可能会学习到训练数据中的随机误差或噪音，而不是真正的数据模式或规律。这会导致神经网络在训练集上表现良好，但在测试集或实际应用中表现不佳。
2024-04-28 22:14:47
729
原创 力扣每日一题（leetcode：两数之和）
要想成为一个优秀的程序员，就一定要有过硬的编程能力，只看不做终究是纸上谈兵，我们在学习算法的同时也要锻炼自己的编程水平。所以我们推出这个模块，每日一道编程题帮助大家每天对自己的逻辑思维能力和编程能力进行强化训练，日积月累的不断学习，才能不断进步，不断提高！
2024-04-27 17:17:03
479
原创 什么是神经网络：梯度消失
首先讲解一下什么是梯度消失：梯度消失（Gradient Vanishing）是深度神经网络训练过程中常见的问题，特别是在使用基于梯度的优化算法（如反向传播）时。梯度消失指的是在网络的较深层（靠近输入层的层，因为梯度是从输出层往前传，反向传播，所以靠近输入层的层是较深层）中，梯度逐渐变得非常小，甚至接近于零，导致这些层的参数几乎没有更新，从而使得这些层无法有效地学习到数据的特征。
2024-04-25 21:40:58
1365
原创 什么是神经网络：反向传播如何更新网络参数
上一篇我们讲了神经网络的前向传播，但是前向传播里神经网络各层的权重参数w和偏置项b都是随机初始化的，这样初始化得到的f=w*x+b，再经由sigmoid(f)或者softmax(f)得到的概率与样本实际值y(x)是有偏差的，怎样能使预测值无限接近样本实际值呢？这时就需要用到反向传播来更新神经网络参数。反向传播主要是通过计算损失函数对网络参数的梯度，然后利用梯度下降等优化方法来更新参数，从而使网络逐步优化，降低预测误差。
2024-04-23 07:24:52
1604
原创 神经网络详解第一期：传统机器学习在计算机视觉领域的局限性
我们都知道神经网络是机器学习的一个分支，而神经网络的延伸和丰富又形成了一个新的学科：深度学习。深度学习目前主要应用在计算机视觉领域，也就是对图片的识别检测和分类。但是既然是图像处理，处理结果就会受到一下几个因素的影响：
2024-04-21 17:42:56
389
1
转载 一文搞懂k近邻（k-NN）算法（一）
本文目录如下：1.k近邻算法的基本概念，原理以及应用2.k近邻算法中k的选取，距离的度量以及特征归一化的必要性3.k近邻法的实现：kd树原理的讲解4.kd树详细例子讲解5.kd树的不足以及最差情况举例6.k近邻方法的一些个人总结
2024-04-21 17:39:11
26
转载 目前看过的最简单易懂的隐马尔可夫模型讲解
HMM(Hidden Markov Model), 也称隐性马尔可夫模型，是一个概率模型，用来描述一个系统隐性状态的转移和隐性状态的表现概率。系统的隐性状态指的就是一些外界不便观察(或观察不到)的状态, 比如在当前的例子里面, 系统的状态指的是大叔使用骰子的状态，即{正常骰子, 作弊骰子1, 作弊骰子2,...}隐性状态的表现也就是, 可以观察到的，由隐性状态产生的外在表现特点。这里就是说, 骰子掷出的点数.
2024-04-21 17:22:19
53
转载 Word2vec 源码详解
已经看了很久的word2vec，但是发现了很多不同版本的解释，再加上原始论文没有提到太多的细节，所以打算直接看一遍源码，一方面可以加深自己理解；另一方面，以后也可以做适当的改进！
2024-04-21 17:16:13
93
原创 Word2vec算法原理详解
今天我们要讲解的算法是Word2vec。Word2vec（word to vector）顾名思义，这是一个将单词转换成向量形式的工具。通过转换，可以把对文本内容的处理简化为向量空间中的向量运算，计算出向量空间上的相似度，来表示文本语义上的相似度。
2024-04-21 17:00:41
753
原创 贝叶斯实战--新闻分类(详细代码+数据)
前期我们讲过了贝叶斯的详细原理，今天我们来进行一个小小的项目实战---使用贝叶斯进行新闻分类。首先讲解一下整个项目的项目流程：1. 从网络上爬取新闻资料。 2. 对整段的新闻资料进行分词。3. 去除无用的停用词语。4. 使用TF-IDF提取新闻的关键词，提取重要特征。5. 使用朴素贝叶斯算法完成分类。
2024-04-21 16:57:06
460
2
原创 贝叶斯Bayes算法实战(详细代码+数据集)
贝叶斯的原理我们之前也已经做过详尽的阐述啦，为了更好的进行实战训练，我们简单的回顾一下贝叶斯公式：P(A|B)=P(B|A)*P(A)/P(B)
2024-04-21 16:53:58
1019
转载 浅显易懂朴素贝叶斯详解--由浅入深
这是一篇关于贝叶斯方法的科普文，我会尽量少用公式，多用平白的语言叙述，多举实际例子。更严格的公式和计算我会在相应的地方注明参考资料。贝叶斯方法被证明是非常 general 且强大的推理框架，文中你会看到很多有趣的应用。
2024-04-21 16:51:04
30
原创 集成算法Xgboost实战(详细代码+数据集)
上期我们讲过了Xgboost的原理和目标函数推导，今天我们来进行实战练习，首先简单回顾下Xgboost原理：Xgboost是一个集成模型，将K个树的结果进行求和，作为最终的预测值，Xgboost的目的就是通过不断加入树模型来使得预测结果比之前的效果好，使目标函数最小，即预测值无限接近真实值。
2024-04-21 16:43:31
892
原创 Xgboost算法详解(原理+公式推导)
xgboost是华盛顿大学博士陈天奇创造的一个梯度提升（Gradient Boosting）的开源框架。至今可以算是各种数据比赛中的大杀器，被大家广泛地运用。接下来，就详细介绍一下xgboost的原理和公式推导。
2024-04-21 16:29:48
998
1
原创 支持向量机(SVM)详解上
支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）
2024-04-20 23:13:29
301
原创 CART决策树Python代码详细实现
CART决策树：使用”基尼指数“来选择划分特征。数据集的纯度可用基尼值(Gini)来度量。Gini(D)反映了从数据集D中随机抽取两个样本，其类别标记不一致的概率，Gini值越小，则数据集的纯度越高。
2024-04-20 23:06:27
463
原创 决策树算法详解三：连续与确实值的处理
上一篇我们详细的讲解了为了避免过拟合如何对决策树进行剪枝处理。今天我们就来讲解一下如何处理数据的连续值和缺失值。
2024-04-20 22:48:54
1148
原创 决策树算法详解二：剪枝处理(预剪枝和后剪枝)
上一篇我们为大家详细讲解了三种经典决策树的算法，今天我们来为大家介绍如何对决策树进行剪枝。在介绍之前，首先介绍两个基本概念。
2024-04-20 22:40:18
579
原创 ID3,C4.5,CART决策树算法详解
今天来为大家详细介绍决策树算法。决策树是一种常见的机器学习分类算法，从给定训练数据集学得一个模型用以对新示例进行分类。
2024-04-20 22:35:34
395
原创 使用Python实现线性判别分析器LDA
线性判别分析LDA的算法及原理我们在上两篇之前已经详细介绍过，许多读者好奇LDA该如何实现，那么今天小A来教大家如何使用Python去实现LDA。
2024-04-20 22:31:25
268
原创 线性判别分析LDA多分类详解
上一篇给大家介绍线性判别分析LDA二分类，今天小A为大家介绍线性判别分析LDA多分类的算法和原理。其实大致思路与LDA二分类一致，只不过我们现在类别数量变多，一些细节需要进一步调整。
2024-04-20 22:27:15
265
原创 线性判别分析LDA详解（分类｜降维算法）
首先介绍一下LDA的算法思想，它的思想非常朴素：就是设法将样例投影到一条直线上，使得同类样例的投影点尽可能接近，异类样例的投影点尽可能的远。那么我们在对新样本分类时，也可以将该样本投影到这条直线上，再根据投影点的位置来确定新样本的类别。比如下图所示
2024-04-20 22:13:34
655
原创 Python实现逻辑回归实战(完整版)--内附详细代码
Hello大家！上一篇小A已经详细的为大家讲解了逻辑回归的原理和数学推导，但是对于学习人工智能来说仅仅学会原理是远远不够的，还必须要动手实践，必须要学会使用编程语言将算法实现。所以，今天我就来为大家展示一下使用python进行逻辑回归的实现。
2022-11-30 21:31:03
7472
1
原创 逻辑回归模型logistic原理详解
逻辑回归是机器学习最基础最重要最实用的算法，今天我们主要分享逻辑回归算法详解，一步一步手推公式，算法过程清晰明了，小白也能掌握逻辑回归算法
2022-11-30 21:15:57
1525
原创 多元线性回归超详细详解(一步一步手推公式)
上一篇我们详细的讲解了一元一次线性回归算法，今天我们为大家讲解多元线性回归是怎么一回事。何为多元？当我们的输入x只有一维属性时，我们称之为一元。就像我们判断人胖瘦，只需了解体重这一个属性，我们就可以辨识。当x包含n个属性，由n个属性进行描述时，我们称之为多元。比如我们判断一个西瓜是好瓜还是坏瓜，我们需要了解的信息就多了，我们需要知道瓜的生产日期，瓜的颜色，瓜敲起来声响如何等等，综合上述多种属性才能判断瓜的成色。这就是多元。...
2022-06-06 16:15:19
17087
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人