机器学习原理到实践
文章平均质量分 96
czc131
菜鸡计算机大学生,更新算法和许多乱七八糟的东西
展开
-
GAN的入门理解
GAN是Generative Adversarial Networks的缩写,也就是生成对抗网络,最核心在于训练两个网络分别是generator和discriminator,generator主要是输入一个向量,输出要生成的目标,discriminator接受一个输出的目标,然后输出为真的概率(来说就是打分)。更新discriminator,将真实数据标记为1,生成的数据标记为0,然后进行训练,那么discrimator就可以辨别生成图片。原创 2024-06-10 21:30:14 · 997 阅读 · 0 评论 -
【不使用深度学习框架】多层感知机实现手写MNIST数据集识别
手写Minist识别是一个非常经典的问题,其数据集共有70000张28*28像素的图片,其中60000张作为训练集,剩下的10000张作为测试集,每一张图片都表示了一个手写数字,经过了灰度处理。本文延续前面文章提到的多层感知机,在这里完成更复杂的任务,这个也可以作为分类任务的代表。原创 2024-05-05 19:26:59 · 1104 阅读 · 0 评论 -
机器学习理论入门---线性回归从理论到实践
线性回归是机器学习里面最简单也是最常用的算法,理解了线性回归的推导之后对于后续的学习有很大帮助,所以我决定从这里开始深入学习相关的机器学习模型。本篇首先从开始切入,然后介绍,再到。本人也是入门哈,有什么错误望轻喷。原创 2024-04-16 13:53:58 · 686 阅读 · 0 评论 -
【机器学习理论到实践】神经网络推导和代码实现
神经网络是深度学习的基础,最重要的就是熟悉里面的前向传播和反向传播。本文首先从理论切入,首先讲了前向传播,对于反向传播部分,分为了两个部分分别是简单模型(两层)和扩展模型(多层),原理之后是代码部分。原创 2024-04-20 21:47:19 · 756 阅读 · 2 评论 -
【机器学习入门】推导超级详细,一文讲清楚支持向量机(SVM)【从原理到代码】
支持向量机(SVM)是机器学习中非常经典的一个模型,所以我就把这个作为第二个深入学习的机器学习模型,然后发现居然还挺难的(调包侠流下无能泪水)。参考了很多博客,但是大部分博客都是讲一部分,要么数学部分比较详细,要么后面的推导部分比较详细,本篇汇集了百家之长,其中我也尽量详细通俗给出了我的一些理解,特在此记录一下。其中可能存在一些错误,或者有些地方我也理解的不到位,在这些地方我都给出了参考博客,可以参考这些博客。原创 2024-04-18 21:00:06 · 1217 阅读 · 4 评论 -
【机器学习原理】决策树从原理到实践
基于树的模型是机器学习中非常重要的一类模型,最基础的就是决策树,本篇主要讲述决策树的原理和几类最常见的决策树算法,这也是更复杂的树模型算法的基础。原创 2024-04-27 13:09:53 · 1069 阅读 · 0 评论