人工智能
文章平均质量分 60
Charliefive
love不如live好
展开
-
Python3《机器学习实战》学习笔记(一):k-近邻算法
1.k-近邻法简介1.1 k-近邻法简介存在一个样本数据集合,也称作为训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后,将新的数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本最相似数据(最近邻)的分类标签。一般来说,我们只选择样本数据集中前k个最相似的数据,这就是k-近邻算法中k的出处,通常k是不大于20的整数。最后,选择k个最相似数据中出现次数最多的分类,作为新数据的分类。举个简单的例子,我们可以使用k-近邻算法分类原创 2022-01-21 13:37:54 · 336 阅读 · 0 评论 -
PyTorch深度学习入门笔记(三)TensorBoard的使用
首先安装TensorBoard从函数介绍可知:这个类主要是将事件文件写入 log_dir文件夹,可以被TensorBoard解析。要用到其成员函数 add_scalar()pip install tensorboardfrom torch.utils.tensorboard import SummaryWriterdef add_scalar( self, tag, scalar_value, global_step=None,原创 2022-01-20 18:19:05 · 931 阅读 · 0 评论 -
PyTorch深度学习入门笔记(二)PyTorch加载数据初认识
一些简单函数的使用获取数据集的数据# Kyrie Irving# !/9462...from torch.utils.data import Datasetimport cv2from PIL import Imageimport os# img = cv2.imread('E:\\CodeCodeCodeCode\\Python-data\\hymenoptera_data\\train\\ants\\5650366_e22b7e1065.jpg', 0)# cv2.imshow('a原创 2022-01-20 17:17:00 · 280 阅读 · 0 评论 -
PyTorch-GPU CUDA cuDnn安装, 入门学习笔记
PyTorch 1.6学习安装1.对Anaconda进行一个新的用于pytorch的分区conda create -n pytorch python=3.6(base) C:\Users\26330>conda activate pytorch(pytorch) C:\Users\26330>pip listPackage Version---------- -------pip 21.3.1setuptools 58.0.4wheel 0.原创 2022-01-20 17:15:10 · 449 阅读 · 0 评论 -
机器学习(三)处理分类以及logistic回归算法的应用
logistic回归算法分类线性回归一般不用于分类问题假设陈述条件概率决策界限不同的参数,可以转化为不同的数学模型,同时也是不同的数学图像逐步转化为概率问题。代价函数为了转化为凸优化函数,有极值如果y=1(条件)且h(x)(y=1下的预测值)等于1 他俩相等,说明预测正确了,Cost(代价值)(惩罚)为0。如果y=1(条件)且h(x)(y=1下的预测值)等于0 他俩完全不相等,说明预测错误了,Cost(代价值)(惩罚)为1。如果y=0(条件)且h(x)(y=0下的预原创 2022-01-20 02:26:42 · 187 阅读 · 0 评论 -
机器学习(二)多元梯度
多元梯度机器学习公式的变化特征缩放 归一化作业一已经用过这个方法了学习率学习率太小的话 收敛速度慢学习率太大的话 会导致这样的结果 可能不会每次迭代都下降 甚至可能不收敛特征和多项式回归将一个变量的多次 拟合在一个方程中正规方程法导数为0 各个偏导均为0下图中的thete是为了求X的左逆,乘转置是为了它拥有逆矩阵,免得没法算了梯度缺点:1.选择学习效率,运行多次2.多次迭代,速度可能慢正规方程1.不需要学习效率和迭代2.如果n很大 时间复杂度O(n2)很慢原创 2022-01-20 00:22:15 · 785 阅读 · 0 评论 -
吴恩达机器学习作业Python实现(一):线性回归
单变量线性回归题目在本部分的练习中,您将使用一个变量实现线性回归,以预测食品卡车的利润。假设你是一家餐馆的首席执行官,正在考虑不同的城市开设一个新的分店。该连锁店已经在各个城市拥有卡车,而且你有来自城市的利润和人口数据。您希望使用这些数据来帮助您选择将哪个城市扩展到下一个城市。数据6.1101,17.5925.5277,9.13028.5186,13.6627.0032,11.8545.8598,6.82338.3829,11.8867.4764,4.34838.5781,126原创 2022-01-19 21:55:59 · 1021 阅读 · 1 评论 -
机器学习系列课程入门
吴恩达机器学习系列课程原创 2022-01-18 19:46:18 · 138 阅读 · 0 评论