![](https://img-blog.csdnimg.cn/20190927151117521.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
bm机器学习
文章平均质量分 94
百面机器学习的总结
bugmaker.
这个作者很懒,什么都没留下…
展开
-
十二、集成学习
目前集成学习可以分成Boosting和Bagging两大流派。原创 2022-10-09 11:25:25 · 463 阅读 · 0 评论 -
十、循环神经网络
Seq2Seq模型的核心思想是,通过深度神经网络将一个作为输入的序列映射为一个作为输出的序列,这一过程由编码输入与解码输出两个环节构成。在经典的实现中,编码器和解码器各由一个循环神经网络构成,既可以选择传统循环神经网络结构,也可以使用长短期记忆模型、门控循环单元等。在Seq2Seq模型中,两个循环神经网络是共同训练的。假想一个复习和考试的场景。我们将学到的历史信息经过了一系列加工整理,形成了所谓的知识体系,这便是编码过程。然后在考试的时候, 将高度抽象的知识应用到系列问题中进行求解,这便是解码过程。原创 2022-10-05 16:54:50 · 664 阅读 · 0 评论 -
九、前向神经网络
深度前馈网络(Deep Feedforward Networks)是一种典型的深度学习模型。其目标为拟合某个函数f,即定义映射y=f (x;θ)将输入x转化为某种预测的输出y,并同时学习网络参数θ的值,使模型得到最优的函数近似。由于从输入到输出的过程中不存在与模型自身的反馈连接,此类模型被称为“前馈”。深度前馈网络是一类网络模型的统称,我们常见的多层感知机、自编码器、 限制玻尔兹曼机,以及卷积神经网络等,都是其中的成员。原创 2022-10-03 20:51:12 · 1073 阅读 · 0 评论 -
八、采样
MCMC采样法的核心点是构造合适的马尔可夫链,不同的马尔可夫链对应着不同的MCMC采样法,常见的有Metropolis-Hastings采样法和吉布斯采样法。原创 2022-09-30 15:01:33 · 354 阅读 · 0 评论 -
七、优化算法
优化是应用数学的一个分支,也是机器学习的核心组成部分。实际上,机器 学习算法 = 模型表征 + 模型评估 + 优化算法。其中,优化算法所做的事情就是在 模型表征空间中找到模型评估指标最好的模型。不同的优化算法对应的模型表征 和评估指标不尽相同,比如经典的支持向量机对应的模型表征和评估指标分别为 线性分类模型和最大间隔,逻辑回归对应的模型表征和评估指标则分别为线性分 类模型和交叉熵。原创 2022-09-22 15:29:18 · 747 阅读 · 1 评论 -
四、PCA降维
PCA旨在找到数据中的主成分,并利用这些主成分表征原始数据,从而达到 降维的目的。举一个简单的例子,在三维空间中有一系列数据点,这些点分布在 一个过原点的平面上。如果我们用自然坐标系x,y,z三个轴来表示数据,就需要使用 三个维度。而实际上,这些点只出现在一个二维平面上,如果我们通过坐标系旋 转变换使得数据所在平面与x,y平面重合,那么我们就可以通过x′,y′两个维度表达原始数据,并且没有任何损失,这样就完成了数据的降维。而x′,y′两个轴所包含的信息就是我们要找到的主成分。原创 2022-09-18 15:05:56 · 1673 阅读 · 0 评论 -
五、非监督学习
首先,给定二维空间上的一些样本点,接下来,初始化K个中心点,并根据中心点的位置计算每个样本所属的簇;然后根据每个簇中的所有点的平均值计算新的中心点位置;在经过n轮的迭代之后,算法基本收敛。原创 2022-09-18 15:05:15 · 841 阅读 · 0 评论 -
三、经典算法
不忘初心,方得始终。何谓“初心”?初心便是在深度学习、人工智能呼风唤 雨的时代,对数据和结论之间那条朴素之路的永恒探寻,是集前人之大智,真诚 质朴求法向道的心中夙愿。没有最好的分类器,只有最合适的分类器。随着神经网络模型日趋火热,深 度学习大有一统江湖之势,传统机器学习算法似乎已经彻底被深度学习的光环所 笼罩。然而,深度学习是数据驱动的,失去了数据,再精密的深度网络结构也是 画饼充饥,无的放矢。原创 2022-09-10 17:17:23 · 524 阅读 · 0 评论 -
二、模型评估
没有测量,就没有科学。”这是科学家门捷列夫的名言。在计算机科学特别 是机器学习领域中,对模型的评估同样至关重要。只有选择与问题相匹配的评估 方法,才能快速地发现模型选择或训练过程中出现的问题,迭代地对模型进行优 化。模型评估主要分为离线评估和在线评估两个阶段。针对分类、排序、回归、 序列预测等不同类型的机器学习问题,评估指标的选择也有所不同。原创 2022-09-03 20:27:45 · 1107 阅读 · 0 评论 -
一、特征工程
俗话说,“巧妇难为无米之炊”。在机器学习中,数据和特征便是“米”,模型和 算法则是“巧妇”。没有充足的数据、合适的特征,再强大的模型结构也无法得到 满意的输出。正如一句业界经典的话所说,“Garbage in,garbage out”。对于一个机器学习问题,数据和特征往往决定了结果的上限,而模型、算法的选择及优化则是在逐步接近这个上限。特征工程,顾名思义,是对原始数据进行一系列工程处理,将其提炼为特征,作为输入供算法和模型使用。从本质上来讲,特征工程是一个表示和展现数据的过程。...原创 2022-08-30 17:25:20 · 696 阅读 · 1 评论