写给人类的机器学习
写给人类的机器学习
绝不原创的飞龙
这个作者很懒,什么都没留下…
展开
-
写给人类的机器学习 翻译完成
写给人类的机器学习原书:Machine Learning for Humans译者:飞龙(等) 这个世界不缺少科学家,缺少能说人话的科学家。在线阅读PDF格式EPUB格式MOBI格式代码仓库赞助我协议CC BY-NC-SA 4.0翻译 2017-10-23 21:48:54 · 36092 阅读 · 0 评论 -
写给人类的机器学习 五、强化学习
五、强化学习 原文:Machine Learning for Humans, Part 5: Reinforcement Learning 作者:Vishal Maini 译者:飞龙 协议:CC BY-NC-SA 4.0 探索和利用。马尔科夫决策过程。Q 学习,策略学习和深度强化学习。 我刚刚吃了一些巧克力来完成最后这部分。在监督学习中,训练数翻译 2017-10-22 22:59:27 · 36158 阅读 · 0 评论 -
写给人类的机器学习 六、最好的机器学习资源
六、最好的机器学习资源 原文:The Best Machine Learning Resources 作者:Vishal Maini 译者:飞龙 协议:CC BY-NC-SA 4.0 用于制定人工智能、机器学习和深度学习课程表的资源概览。制定课程表的一般建议上学获得一个正式学位并不总是可行或者令人满意的。对于那些考虑自学来代替的人,这就是写给你们的。1.翻译 2017-10-21 23:32:12 · 36737 阅读 · 0 评论 -
写给人类的机器学习 一、为什么机器学习重要
一、为什么机器学习重要 原文:Machine Learning for Humans 作者:Vishal Maini 译者:飞龙 协议:CC BY-NC-SA 4.0 简单、纯中文的解释,辅以数学、代码和真实世界的示例谁应该阅读它想尽快赶上机器学习潮流的技术人员想要入门机器学习,并愿意了解技术概念的非技术人员好奇机器如何思考的任何人本指南旨在让任翻译 2017-10-20 23:19:59 · 37716 阅读 · 0 评论 -
写给人类的机器学习 三、无监督学习
三、无监督学习 原文: Machine Learning for Humans, Part 3: Unsupervised Learning 作者:Vishal Maini 译者:机器之心 聚类和降维:K-Means 聚类,层次聚类,主成分分析(PCA),奇异值分解(SVD)。我们可以怎样发现一个数据集的底层结构?我们可以怎样最有用地对其进行归纳和分组?我们转载 2017-10-19 17:11:30 · 39624 阅读 · 3 评论 -
写给人类的机器学习 四、神经网络和深度学习
四、神经网络和深度学习 原文:Machine Learning for Humans, Part 4: Neural Networks & Deep Learning 作者:Vishal Maini 译者:飞龙 协议:CC BY-NC-SA 4.0 深度神经网络的工作地点、原因和方式。从大脑中获取灵感。卷积神经网络(CNN)和循环神经网络(RNN)。真实世翻译 2017-10-18 22:50:10 · 37769 阅读 · 0 评论 -
写给人类的机器学习 2.3 监督学习 III
2.3 监督学习 III 原文:Machine Learning for Humans, Part 2.3: Supervised Learning III 作者:Vishal Maini 译者:飞龙 协议:CC BY-NC-SA 4.0 非参数化模型:KNN、决策树和随机森林。包含交叉验证、超参数调优和集成模型。非参数学习器 事情变得有点…奇怪了。翻译 2017-10-17 13:20:40 · 36155 阅读 · 1 评论 -
写给人类的机器学习 2.2 监督学习 II
2.2 监督学习 II 原文:Machine Learning for Humans, Part 2.1: Supervised Learning 作者:Vishal Maini 译者:飞龙 协议:CC BY-NC-SA 4.0 使用对数几率回归(LR)和支持向量机(SVM)的分类。分类:预测标签这个邮件是不是垃圾邮件?贷款者能否偿还它们的贷款?用户是否翻译 2017-10-14 21:44:38 · 36356 阅读 · 1 评论 -
写给人类的机器学习 2.1 监督学习
2.1 监督学习 原文:Machine Learning for Humans, Part 2.1: Supervised Learning 作者:Vishal Maini 译者:飞龙 协议:CC BY-NC-SA 4.0 监督学习的两大任务:回归和分类。线性回归,损失函数和梯度下降。通过在数字广告上花费更多的钱,我们能挣多少钱?这个贷款的申请人是否能偿翻译 2017-10-13 23:26:53 · 37087 阅读 · 1 评论