深度学习笔记一

最新推荐文章于 2023-11-07 23:24:13 发布
最新推荐文章于 2023-11-07 23:24:13 发布
阅读量218 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zzqtpl/article/details/114550689
版权

机器学习基础
数据集
将数据集分为三类
训练集：训练构建模型
验证集：验证在模型训练阶段时模型的好坏
测试集：等模型训练好后，再用来评估模型的好坏
监督学习为有标签，无监督学习开始时是没有标签的
半监督学习：用来解决少数带标签和大量不带标签的数据进行训练分类的问题
回归：预测数据为连续型数据
分类：预测数据为类别型数据，并且类别已知
聚类：预测数据为类别型数据，并且类别未知

zzqtpl
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习-预备知识
qq_43610614的博客
06-26 383
预备知识
机器学习基础概念（一）
weixin_57925958的博客
12-23 902
前言：复习复习复习 基本概念： 机器学习分为3种模式：监督学习、无监督学习、半监督学习。 简单介绍一下： 监督学习：监督学习我们所使用的数据集是带有标签的，打个比方我们使用手写体数据集，会给定0 - 9个标签，分别代表九种类别信息，所以训练带有标签的学习就叫监督学习。我们数据集一般这样设定，我们会把数据分为三部分，分别是训练集、验证集、测试集， 1、训练集 (Training data)：主要是用来训练、构建模型 ...
人工智能-机器学习-深度学习小白入门
weixin_49081250的博客
02-18 306
在过去的半年研究生学习过程中，CSDN作为IT人才的聚集地，为我在学习人工智能方面的知识提供了许多帮助。因此我决定记录我的学习过程，希望有朝一日能成为一名合格的程序媛，与其它朋友们交流讨论、相互学习。 人工智能-机器学习-深度学习是逐层包含又进一步深化的关系。深度学习更适合数量级比较大、应用任务较复杂的场景，如图像识别、语音识别、人脸识别。机器学习适用于几十、几百、几千的数据集，速度更快、效果更好。 回归：预测数据为连续性数值 根据数据集分布来做出回归线或超平面(SVM)来对未来数据进行预测 eg:根据已
机器学习基础概念
Nice的博客
10-20 650
机器学习：利用计算机从历史中找规律，并把这些规律用到对未来不确定场景的决策 机器学习简单分类： 可以分为 监督学习、无监督学习、半监督学习 分类、聚类、回归 生成模型（给出数据属于各个类别的概率）、判别模型（给出数据所属于的类别） 机器学习和数据分析的区别: 数据特点：交易数据（订单） VS 行为数据（点击历史） 少量数据 VS 海量数据 采样分析 VS 全量分析 训练数据/验证数据/测试数据 建模之前把数据分成三个部分 ：训练集、验证集、测试集 训练集：用来训练，构建模型.
37 | 如何对数据进行分类和预测？
qq_37756660的博客
11-07 489
进入专栏的最后一个模块，补全大数据知识体系最后一块拼图，一起来学习大数据算法。大数据越来越多的和人工智能关联起来，所谓人工智能就是利用数学统计方法，统计数据中的规律，然后利用这些统计规律进行自动化数据处理，使计算机表现出某种智能的特性，而各种数学统计方法，就是大数据算法。关于专栏算法模块的设置，会围绕数据分类、数据挖掘、推荐引擎、大数据算法的数学原理、神经网络算法几个方面，展开大数据算法的“全景图”。分类是人们认知事物的重要手段，如果你能将某个事物分类得足够细，你实际上就已经认知了这个事物。
机器学习介绍jc01
影子
06-25 536
建模之前，先把数据分为三个部分： 训练数据：（training data）用来训练数据 验证集：（Validation data）训练阶段，用来验证模型的好坏 测试集：（test data）等模型训练好之后，再来测试模型的好坏 机器学习的学习方式： 监督学习：带有标签的数据集，就是监督学习 无监督学习：就是没有标签（用来做聚类【高斯混合聚类】） 半监督学习：监督学习和无监督学习的一种组合，少量带标签的监督学习和大量无标签的无监督学习，进行训练和分类。 主要会用到监督学习和无监督学习。
深度学习笔记1
08-04
深度学习笔记1 - 卷积层和反卷积层输出计算 深度学习笔记1 中讨论了卷积层和反卷积层的输出计算，涉及到 TensorFlow 中的卷积函数 tf.nn.conv2d 和 tf.layers.conv2d，以及反卷积函数 tf.nn.conv2d_transpose 和 tf...
deeplearning深度学习笔记
12-26
" Deeplearning深度学习笔记" 本文档是吴恩达老师深度学习课程(deeplearning.ai)的笔记，旨在帮助已有一定基础的计算机专业人士掌握深度学习技术。课程涵盖深度学习的基础知识，神经网络构建，卷积神经网络(CNN)、...
吴恩达深度学习笔记.pdf
11-21
【吴恩达深度学习笔记】是一份针对吴恩达教授在Coursera平台上的深度学习课程的详尽笔记，旨在帮助已有一定编程基础和机器学习知识的计算机专业人士深入理解和应用深度学习技术。该课程分为5个部分，涵盖了深度学习...
【深度学习·4】基础知识&常见名词含义1
书旻的博客
03-28 1052
一、几个大头 Geoffrey Hinton(The Godfather of deep learning) –>Google Brain Yann LeCun(The father of CNN) –>Facebook Yoshua Bengio –>蒙特利尔大学 Andrew Wu（吴恩达） –>百度大脑 二、训练数据/验证数据/测试数据 Training data...
机器学习_线性回归
qq_42627691的博客
10-20 381
机器学习_线性回归 训练集：用来训练，构建模型 验证集：用来在模型训练阶段测试模型的好坏 测试集：等模型训练好之后，再用测试集来评估模型的好坏 回归：预测数据为连续性数值 分类：预测数据为类别型数据，并且类别已知 聚类：预测数据为类别型数据，但是类别未知 1、一元线性回归 回归分析：用来建立方程模拟两个或者多个变量之间如何关联 自变量：被用来进行预测的变量（输入） 因变量：被预测的变量（输出） 一元线性回归：包含一个自变量一个因变量 多元回归分析：包含两个以上的自变量 表达式：hθ(x)=θ0+θ1x
1.3 机器学习基础概念
weixin_44632711的博客
11-16 692
训练数据、验证数据、测试数据 建模之前，我们可以把数据分成三部分。 训练集(Training data)验证集(Validation data)测试集(Test data) 训练集还是用来训练，构建模型。 验证集是用来在模型训练阶段测试模型的好坏。 等模型训练好之后，再用测试集来评估模型的好坏。 学习方式 1.监督学习 2.无监督学习：没有标签的数据 3.半监督学习 （使用较少） 半监督学习是监督学习和无监督学习相结合的一种学习方式。主要是用来解决使用少量带标签的数据和大量没有标签的数据进行训练和分
基于Springboot和Vue的数码论坛系统设计与实现-源码 数码论坛系统设计与实现代码（高分毕设）
最新发布
07-24
数码论坛系统设计与实现-源码（高分毕设），个人经导师指导并认可通过的98分毕业设计项目，主要针对计算机相关专业的正在做毕设的学生和需要项目实战练习的学习者。也可作为课程设计、期末大作业。包含全部项目源码[代码]、该项目可以直接作为毕设使用。项目技术栈：前端是vue，后端是springboot，项目代码都经过严格调试，代码没有任何bug！ 系统源码（高分毕设），个人经导师指导并认可通过的98分毕业设计项目，主要针对计算机相关专业的正在做毕设的学生和需要项目实战练习的学习者。也可作为课程设计、期末大作业。包含全部项目源码[代码]、该项目可以直接作为毕设使用。项目技术栈：前端是vue，后端是springboot，项目代码都经过严格调试，代码没有任何bug！ 系统源码（高分毕设），个人经导师指导并认可通过的98分毕业设计项目，主要针对计算机相关专业的正在做毕设的学生和需要项目实战练习的学习者。也可作为课程设计、期末大作业。包含全部项目源码[代码]、该项目可以直接作为毕设使用。项目技术栈：前端是vue，后端是springboot，项目代码都经过严格调试，代码没有任何bug！
java程序设计—JAVA局域网飞鸽传书软件设计与实现(源代码+论文)43.rar
07-24
java程序设计，可供正在学习的同学研究参考。
吴恩达深度学习课程笔记与解析
"吴恩达深度学习笔记，由黄海广主编，是针对吴恩达在deeplearning.ai平台上的深度学习课程所编写的详细学习笔记。笔记涵盖了深度学习的基础知识，包括神经网络的构建、卷积神经网络(CNN)、递归神经网络(RNN)和长短期...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值