- 博客(30)
- 收藏
- 关注
RSS订阅原创 神经网络部分
具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。循环神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。
2022-11-24 13:52:58
208
1
原创 聚类中心部分
Ｋ均值聚类算法属于一种动态聚类算法，也称逐步聚类法，在聚类算法迭代之前，算法首先随机的从数据集中依次选取ｋ个数据对象作为ｋ个初始聚类中也，根据类中对象的均值，即聚类中也，依次将其他的数据对象划分到与其最近的聚类中也所在的类中，数据对象划分完毕，然后计算每个聚类的中心，更新聚类中心作为新的聚类中心点，迭代上述聚类过程。K均值聚类算法是由Mac Que提出的。K均值聚类算法是一种经典的划分聚类算法，Ｋ均值聚类算法是一种迭代的聚类算法，在迭代的过程中不断移动聚类中心，直到聚类准则函数收敛为止。
2022-11-13 22:04:20
1185
原创 关联规则部分
1、项集和K-项集令I={i1,i2,i3……id}是购物篮数据中所有项的集合，而T={t1,t2,t3….tN}是所有事务的集合，每个事务ti包含的项集都是I的子集。在关联分析中，包含0个或多个项的集合称为项集。如果一个项集包含K个项，则称它为K-项集。空集是指不包含任何项的项集。例如，在购物篮事务的例子中，｛啤酒，尿布，牛奶｝是一个3-项集。2、支持度计数项集的一个重要性质是它的支持度计数，即包含特定项集的事务个数，数学上，项集X的支持度计数σ(X)可以表示为σ(X)=|{ti|X⊆ti,ti∈T
2022-11-07 23:08:12
1603
原创 逻辑回归部分
模型清晰，有对应的概率学理论基础。线性回归是用来预测连续变量的，其取值范围（-∞，＋∞），而逻辑回归模型是用于预测类别的，例如，用逻辑回归模型预测某物品是属于A类还是B类，在本质上预测的是该物品属于A类或B类的概率，而概率的取值范围是0～1，因此不能直接用线性回归方程来预测概率，此时就涉及到Sigmoid函数，可将取值范围为（-∞，＋∞）的数转换到（0，1）之间。逻辑回归也被称为广义线性回归模型，它与线性回归模型的形式基本上相同，最大的区别就在于它们的因变量不同，如果是连续的，就是多重线性回归；
2022-11-02 21:04:00
167
原创 岭回归和套索回归
考虑到作为收缩估计量的 Lasso 存在偏差（bias），上表右边第 2 列汇报了 “Post Lasso” 估计量的结果，即仅使用 Lasso 进行变量筛选，然后扔掉 Lasso 的回归系数，再对筛选出来的变量进行 OLS 回归。（注意：此时的变量可以是标准化前的，也可以是标准化后的，因为lasso只起到变量筛选的目的）（2）对变量使用lasso回归，记录下lasso回归结果表中回归系数不为0的变量，这些变量就是最终我们要留下来的重要变量，其余未出现在表中的变量可视为引起多重共线性的不重要变量。
2022-10-30 19:55:43
978
原创 l逻辑回归
具体做法是：对于第K类的分类决策，我们把所有第K类的样本作为正例，除了第K类样本以外的所有样本都作为负例，然后在上面做二元逻辑回归，得到第K类的分类模型。“many-vs-many(MvM)”分类：如果模型有T类，我们每次在所有的T类样本里面选择两类样本出来，不妨记为T1类和T2类，把所有的输出为T1和T2的样本放在一起，把T1作为正例，T2作为负例，进行二元逻辑回归，得到模型参数。对于多类问题，只有'newton-cg'， 'sag'， 'saga'和'lbfgs'可以处理多项损失；
2022-10-16 22:45:55
215
原创 拉索回归部分
仍然，λ 是这个问题的调整参数，不过一般情况下我们无法得到 β 的显示解。但是，当数据矩阵中各变量都相互正交且模为 1 时，我们可以得到 Lasso 的显示解。在 Lasso 中，可以看到，惩罚项由平方换成了绝对值。虽然绝对值是凸函数，函数在 0 点有唯一的最小值，但其在此点不可导。当某项的惩罚系数足够大时，那么它将无法进入模型（变量选择），只有那些回归系数非0的变量才会被选入模型。Lasso 也是对系数的大小设置了惩罚项，但惩罚项引入的方式略不同，具体来说，1 Lasso 回归。
2022-10-15 15:12:56
508
原创 数据挖掘部分
数据归约（data reduction）：数据消减或约简，是在不影响最终挖掘结果的前提下，缩小所挖掘数据的规模；如果样本S中至少有一部分数量为p的样本到𝑠_𝑖的距离比d大，那么样本𝑠_𝑖就是数据集S中的一个噪声数据；数据集成：将多个数据源合并成一致的数据存储，构成一个完整的数据集，如数据仓库。对归约后的数据集进行挖掘可提高挖掘的效率，并产生相同（或几乎相同）的结果。通常，数据库的数据字典和数据仓库的元数据，可帮助避免模式集成中的错误。数据变换（转换）：将一种格式的数据转换为另一格式的数据(如规范化)。
2022-09-17 17:58:55
732
原创 深度学习框架
一、TensorFlowTensorFlow由GoogleBrain团队的研究人员和工程师开发。它是深度学习领域中最常用的软件库（尽管其他人正在迅速赶上）。TensorFlow如此受欢迎的最大原因是，它支持多种语言来创建深度学习模型。比如Python，C++和R语言，它有适当的文档的演练指导。制作TensorFlow有很多组件，其中比较突出的两个是：1. TensorBoard：使用数据流图帮助实现有效的数据可视化2. TensorFlow：用于快速部署新算法/实验TensorFlow的灵活架构使我
2022-06-29 21:01:21
514
原创 计算机组成原理
一、并行处理技术 并行性的两种含义：•同时性：指两个以上事件在同一时刻发生；•并发性：指两个以上事件在同一时间间隔内发生。计算机的并行处理技术概括起来主要有时间并行、空间并行、时间加空间并行这三种形式：1.时间并行 时间并行指时间重叠，在并行性概念中引入时间因素，让多个处理过程在时间上相互错开，轮流重叠地使用同一套硬件设备的各个部分，以加快硬件周转而赢得速度。 时间并行性概念的实现方式就是采用流水处理部件。这是一种非常经济而实用的并行技术，能保证计算机系统具有较高的性能价格比。目前的高性能微型机几乎
2022-06-29 20:35:04
3453
原创 【无标题】人工智能基础
爬虫一般指网络爬虫，又名网页蜘蛛，蠕虫等，是一种按照一定等规则，自动抓取网页内容的程序或者脚本。产生 相信大家在网络上都有使用过百度，Yahoo，Google等等搜索引擎来搜索资料等等，这些辅助人们检索信息都工具是我们访问万维网都入口和指南，随着网络的迅速发展，万维网成为大量信息的载体，如何有效地提取并利用这些信息成为一个巨大的挑战，一种搜集、分析、过滤、决策等功能集于一身等程序应运而生–网络爬虫，其作为搜索引擎的数据基础，是搜索引擎的重要组成部分。原理 传统的网络爬虫从一个或多个网页的初始url开
2022-06-27 16:50:01
41
原创 计算机组成原理部分
从今天开始，老男孩要开始讲PCIe了。对我来说，这是个很大的挑战：首先，我自己本身，对PCIe并没有做到胸有成竹，我的PCIe知识也只是停留在理论阶段，我并没有实际做过任何有关PCIe的东西；其次，我要把PCIe讲得深入浅出，让读者轻易接受，我觉得很难，根本原因就是我还没有做到胸有PCIe；最后，我的文章都会通过ssdfans公众号推出（还没有关注的同学，赶快关注），很多读者都是PCIe高手，班门弄斧，我深感压力。但尽管如此，我还是决定出发，我自己努力学习，尽我最大能力把我学到的东西分享给大家，也希望各位P
2022-06-27 16:21:16
69
原创 【无标题】计算机uc
1.CISC 与 RISCCISC：复杂指令系统计算机（Complex Instruction Set Computer) 其特点是；指令格式不固定，指令可长可短，操作数可多可少；寻址方式复杂多样，操作数可来自寄存器也可来自存储器；采用微程序控制，执行每条指令均需完成一个微指令序列；指令越复杂，CPI 越大。指令系统庞大，研制周期长，系统效率低。RISC：简单指令系统计算机（Reduced Instruction Set Computer) 其特点是：只保留功能简单的指令。指令系统尽可能简单，尽是减少指令的
2022-06-22 23:29:55
272
原创 人工智能导图
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能（AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学（定义）。人工智能利用机器学习技术，通过对现有的经过处理（筛
2022-06-15 00:13:45
194
原创 神经网络部分
神经网络是一门重要的机器学习技术。它是目前最为火热的研究方向--深度学习的基础。学习神经网络不仅可以让你掌握一门强大的机器学习方法，同时也可以更好地帮助你理解深度学习技术。 本文以一种简单的，循序的方式讲解神经网络。适合对神经网络了解不多的同学。本文对阅读没有一定的前提要求，但是懂一些机器学习基础会更好地帮助理解本文。 神经网络是一种模拟人脑的神经网络以期能够实现类人工智能的机器学习技术。人脑中的神经网络是一个非常复杂的组织。成人的大脑中估计有1000亿个神经元之多。图1 人脑神经网络
2022-06-15 00:08:43
46
原创 人工智能部分
人工智能之父 John McCarthy说：人工智能就是制造智能的机器，更特指制作人工智能的程序。人工智能模仿人类的思考方式使计算机能智能的思考问题，人工智能通过研究人类大脑的思考、学习和工作方式，然后将研究结果作为开发智能软件和系统的基础。人工智能的概念很宽，所以人工智能也分很多种，我们按照人工智能的实力将其分成三大类：1、弱人工智能弱人工智能Artificial Narrow Intelligence (ANI):弱人工智能是擅长于单个方面的人工智能。比如有能战胜象棋世界冠军的人工智能，
2022-05-28 20:28:29
141
转载 【无标题】损失函数
损失函数: 在机器学习任务中，大部分监督学习算法都会有一个目标函数(Objective Function),算法对该目标函数进行优化，称为优化算法的过程。例如在分类或者回归任务中，使用损失函数(Loss Function)作为其目标函数对算法模型进行优化。 均方误差(MSE)损失函数和交叉熵损失函数，如下图所示，可以清晰地观察到不同的损失函数在梯度下降过程中的收敛速度和性能都是不同的。特别是针对自定义的深度神经网络，深度神经网络中的输出结果包括分类和回归问题，损失函数的模...
2022-05-12 20:21:44
145
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