人工智能
文章平均质量分 87
主要记录机器学习和深度学习的相关知识
纯洁的小魔鬼
只有风暴才能击倒大树
展开
-
人工智能-机器学习-KMeans聚类
一.概述k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法,属于无监督学习的一种,其步骤是,预先将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以分为3中:1. 没有(或最小数目)对象被重新分配给不同的聚类2原创 2021-10-15 23:46:36 · 3143 阅读 · 2 评论 -
人工智能-深度学习-yolov3口罩佩戴识别
一.基础环境windows 10cuda 10.0python3.7.4tensorflow-gpu 1.14.0keras2.24numpy==1.16.5二.下载keras-yolo3代码从github上下载:https://github.com/qqwweee/keras-yolo3代码解构如下:三.下载权重并测试本项目所用权重文件:权重文件官方提供的地址:yolov3.weightsyolov3-tiny.weights共有两个权重文件 yolov3.weig原创 2021-08-27 00:44:19 · 13203 阅读 · 383 评论 -
人工智能-运维-win10安装cuda
注: 本文以python 3.7.4 安装 TensorFlow 1.14.0 GPU 举例一.安装 TensorFlow 1.14.0 GPU 版本pip install tensorflow-gpu==1.14.0注:以pip安装的 tensorflow-gpu 版本所用cuda为10.0版本也可以在 github 中下载别人整理好的版本:https://github.com/fo40225/tensorflow-windows-wheel选择相应的gpu版本即可注: 以此方法下载原创 2021-08-18 22:02:24 · 409 阅读 · 0 评论 -
人工智能-机器学习-支持向量机
一.概述支持向量机即SVM(Support Vector Machine),主要用于解决模式识别领域中的数据分类问题,属于有监督学习算法的一种。是一类按监督学习方式对数据进行二元分类的广义线性分类器。如图所示, 红色和蓝色的点是可以被一条直线分开的, 在模式识别领域称为线性可分问题, 然而将两类数据点分开的直线显然不止一条, b图和c图分别给出了A, B两种不同的分类方案, 其中黑色实线为分类线, 术语称为"决策面"。每个决策面对应了一个线性分类器。虽然在目前的数据上看, 这两个分类器的分类结果是一原创 2021-07-14 01:55:37 · 1687 阅读 · 1 评论 -
人工智能-机器学习-决策树与随机森林
一.数据集的纯度决策树的关键在于当前状态下选择哪个属性作为分支条件。最佳分类属性这种“最佳性”可以用非纯度(impurity)进行衡量。如果一个数据集合中只有一种分类结果,则该集合最纯,即一致性好;如果有许多分类,则不纯,即一致性不好。有很多指标定义不纯度,根据不同判定不纯度的目标函数:1.ID3 算法ID3算法的核心是“信息熵”:1. 熵作为衡量样本纯度的标准,熵越大,越不纯。2. 希望在分类以后能够降低熵的大小,变纯一些。3. 分类后熵变小可以用信息增益(Information Ga原创 2021-07-01 01:50:35 · 626 阅读 · 5 评论 -
人工智能-机器学习-特征工程
我们用泰坦尼克号事件生还者信息举例, 采用KNN算法预测某个人的生还率, 采用KNN临近算法一.利用pandas观察数据情况我们先看下数据:各列对应字端的含义为:passengerId: 表示乘船编号surverved: 表示是否存活, 0为死亡, 1为生存(此列为标签)pclass: 客舱等级name: 名字sex: 性别age: 年龄sibsp: 兄弟姐妹数和配偶数parch: 船上父母数和子女数ticket: 船票编号fare: 船票价格cabin:客舱号embarke原创 2021-06-19 10:57:44 · 604 阅读 · 1 评论 -
人工智能-深度学习-手写数字识别
1.准备数据手写数字识别的特征集是一组数值为0-9,大小为 28 * 28 矩阵的图片, 标签为与之对应的数字:数据位置在: 手写数字识别数据集2.将数据格式化为 npz 文件"""将图片和标签整理为 npz 文件"""import numpy as npimport osfrom PIL import Imageimport json# 读取图片# 存到 npz 文件中的为 28 *28 的矩阵列表train_file_path = "nums/train_x/"原创 2021-06-16 00:27:13 · 7387 阅读 · 14 评论 -
人工智能-深度学习-Pytorch与神经网络
一.Pytorch基础操作1.numpy建立矩阵import numpy as np# numpy中建立4 * 4的 全为1的矩阵a_numpy = np.ones([4, 4])b_numpy = np.ones([4, 4])# 矩阵的点乘c_numpy = a_numpy @ b_numpy# 使用 numpy 建立矩阵的类型是 numpy.ndarrayprint("c_numpy的数据类型: %s, 值: %s" % (c_numpy.dtype, c_numpy))c原创 2021-06-03 02:03:36 · 884 阅读 · 1 评论 -
人工智能-算法模型-线性回归
一.概述 回归分析是研究统计规律的方法之一。在回归分析中我们把所关心的一些指标称为因变量,通常用Y来表示;影响因变量的变量称为自变量,用X1、X2、…XP来表示。回归分析研究的主要问题是:确定Y与X1、X2、…XP间的定量关系表达式,这种表达式称为回归方程;对求得的回归方程的可信度进行检验,判断自变量对Y有无影响;利用所求得的回归方程进行预测和控制。 &nbs原创 2021-05-14 01:17:16 · 4368 阅读 · 3 评论 -
人工智能-编程-Fizz Buzz
题目描述:写个程序来玩Fizz Buzz. 这是一个游戏。玩家从1数到100,如果数字被3整除,那么喊’fizz’,如果被5整除就喊’buzz’,如果两个都满足就喊’fizzbuzz’,不然就直接说数字。这个游戏玩起来就像是:1 2 fizz 4 buzz fizz 7 8 fizz buzz 11 fizz 13 14 fizzbuzz 16 …一.传统方法编程def fizz_buzz(num): if num % 3 == 0 and num % 5 == 0: r原创 2021-05-07 00:53:48 · 10129 阅读 · 2 评论 -
人工智能-数据分析-鸢尾花
此篇文章需要一些线性代数、矩阵分块和Numpy的基础,在文中对这些基础不再赘述一.鸢尾花数据在机器学习中,大部分数据均是矩阵类型的:我们先看一下鸢尾花数据:鸢尾花有四个属性:花瓣长度、宽度、花萼长度、花萼宽度,每一组属性成为一个样本,属性称为样本的特征,四个属性确定了鸢尾花的类别,也称为标签,由此形成了数据集{(x, d)}。此数据可以用于分析鸢尾花的类别。对于非数字的数据,我们要将他们映射为数字。如果类别数量较多,比如0,1,2等整形数字可以映射为 0->[1.0,0.0,0.0],1-.原创 2021-05-06 23:31:26 · 8491 阅读 · 2 评论 -
人工智能-数学基础-线性代数与仿射变换
一.鸢尾花数据在机器学习中,大部分数据均是矩阵类型的:我们先看一下鸢尾花数据:鸢尾花有四个属性:花瓣长度、宽度、花萼长度、花萼宽度,每一组属性成为一个样本,属性称为样本的特征,四个属性确定了鸢尾花的类别,也称为标签,由此形成了数据集{(x, d)}。此数据可以用于分析鸢尾花的类别。对于非数字的数据,我们要将他们映射为数字。如果类别数量较多,比如0,1,2等整形数字可以映射为 0->[1.0,0.0,0.0],1->[0.0,1.0,0.0],称为OneHot(独热编码)。import s原创 2021-04-23 13:12:47 · 850 阅读 · 1 评论 -
人工智能-数学基础-傅里叶变换与卷积
X(ω)=F(x(t))=∫−∞+∞x(t)e−iωtdt X(\omega) = F(x(t)) = \int_{-\infty}^{+\infty}x(t)e^{-i \omega t}dt X(ω)=F(x(t))=∫−∞+∞x(t)e−iωtdtx(t)=F−1(X(ω))=12π∫−∞+∞X(ω)eiωtdω x(t)=F^{-1}(X(\omega)) = \frac{1}{2\pi} \int_{-\infty}^{+\infty}X(\omega)e^{i \omega t...原创 2021-04-21 23:15:26 · 6710 阅读 · 32 评论 -
人工智能-数学基础-函数与优化
一.最优化问题1.一元方程最优化问题求解函数极小值 f(x)=x2+x−1 f(x) = x^2 + x -1 f(x)=x2+x−11.1 传统求解先求导,使导数为0: f′(x)=2x+1=0 f\prime(x) = 2x+ 1=0 f′(x)=2x+1=0x=−0.5x = -0.5 x=−0.5但是大多数情况下,函数很难直接计算导数为0,并且计算机无法跟人脑似的解方程,所以大多数情况下需要依靠数值求解。1.2 随机过程求解,类似“模拟退火”依靠不断地尝试求解:"""一元二次方程原创 2021-04-20 02:02:11 · 1138 阅读 · 1 评论