- 综合排序
- 最热优先
- 最新优先
- 来自专栏BestSDK
机器学习精华，10问10答
如果你的学校有机器学习、计算机视觉、自然语言处理和机器人学的课，那就赶紧去上吧。 当然也可以来申请谷歌大脑的实习啦！ 4. 说3本你最推荐的机器学习的书吧？ 我们的基础研究试图改进机器学习的算法，建造出使机器学习更强有力的计算机系统（像TensorFlow），我们也将机器学习应用到医疗保健、机器人学、音乐与艺术生成的问题中。 服务于网络安全的机器学习，以及机器学习自身的网络安全：越来越多的网络攻击使用机器学习来生成恶意软件，这些软件能有效率地躲过漏洞模糊测试。 GAN类问题 10. 机器学习领域的新人应该了解对抗性机器学习的哪些内容？ Alexey Kurakin：首先，你要对机器学习和深度学习有一定的了解，这样才能理解这个问题的背景。 对抗性机器学习研究的是，当同一个机器学习分类器的不同子部分有完全相反的奖励函数（或是损失函数）时我们的应对技术。
1K60发布于 2018-03-01 - 来自专栏数据科学与人工智能
【机器学习】10 种机器学习算法的要点
这篇指南的目的，是为那些有追求的数据科学家和机器学习狂热者们，简化学习旅途。这篇指南会让你动手解决机器学习的问题，并从实践中获得真知。 但如果你想要在开始一个机器学习项目之前做些准备，你会喜欢这篇文章的。 广义来说，有三种机器学习算法 1、 监督式学习 工作机制：这个算法由一个目标变量或结果变量（或因变量）组成。 非监督式学习的例子有：关联算法和 K – 均值算法。 3、强化学习 工作机制：这个算法训练机器进行决策。它是这样工作的：机器被放在一个能让它通过反复试错来训练自己的环境中。 机器从过去的经验中进行学习，并且尝试利用了解最透彻的知识作出精确的商业判断。 强化学习的例子有马尔可夫决策过程。 常见机器学习算法名单 这里是一个常用的机器学习算法名单。 现在我能确定，你对常用的机器学习算法应该有了大致的了解。写这篇文章并提供 Python 和 R 语言代码的唯一目的，就是让你立马开始学习。 如果你想要掌握机器学习，那就立刻开始吧。
92170发布于 2018-02-27 - 来自专栏机器学习原理
机器学习（10）——线性SVM
在不考虑集成学习算法,不考虑特定的数据集的时候,在分类算法中SVM可以说是特别优秀的。
909102发布于 2018-04-27 - 来自专栏NowlNowl_AI
机器学习第10天：集成学习
介绍 集成学习的思想是很直观的：多个人判断的结合往往比一个人的想法好 我们将在下面介绍几种常见的集成学习思想与方法 投票分类器 介绍 假如我们有一个分类任务，我们训练了多个模型：逻辑回归模型 model, accuracy_score(y_test, y_pred)) 运行结果 该示例代码可以看到各个模型在相同数据集上的性能测试，该示例的数据集较小，所以性能相差不大，当数据集增大时 ，集成学习的性能往往比单个模型更优 软投票与硬投票 当基本模型可以计算每个类的概率时，集成学习将概率进行平均计算得出结果，这种方法被称作软投票，当基本模型只能输出类别时，只能实行硬投票（以预测次数多的为最终结果） bagging与pasting =100, max_leaf_nodes=16, n_jobs=-1) model.fit(X_train, y_train) max_leaf_nodes限制了子分类器的最大叶子节点数量 结语 集成学习就是利用了一个很基本的思想
31010编辑于 2024-01-18 - 来自专栏奇点大数据
机器学习必学10大算法
本文介绍了 10 大常用机器学习算法，包括线性回归、Logistic 回归、线性判别分析、朴素贝叶斯、KNN、随机森林等。 1. 线性回归 在统计学和机器学习领域，线性回归可能是最广为人知也最易理解的算法之一。 预测建模主要关注的是在牺牲可解释性的情况下，尽可能最小化模型误差或做出最准确的预测。 支持向量机 支持向量机（SVM）可能是目前最流行、被讨论地最多的机器学习算法之一。 超平面是一条对输入变量空间进行划分的「直线」。 袋装法和随机森林 随机森林是最流行也最强大的机器学习算法之一，它是一种集成机器学习算法。 自助法是一种从数据样本中估计某个量（例如平均值）的强大统计学方法。 10. Boosting 和 AdaBoost Boosting 是一种试图利用大量弱分类器创建一个强分类器的集成技术。
67420发布于 2019-04-29 - 来自专栏云计算linux
机器学习必学10大算法
本文介绍了 10 大常用机器学习算法，包括线性回归、Logistic 回归、线性判别分析、朴素贝叶斯、KNN、随机森林等。 1. 线性回归 在统计学和机器学习领域，线性回归可能是最广为人知也最易理解的算法之一。 预测建模主要关注的是在牺牲可解释性的情况下，尽可能最小化模型误差或做出最准确的预测。 线性回归 例如：y = B0 + B1 * x 我们将在给定输入值 x 的条件下预测 y，线性回归学习算法的目的是找到系数 B0 和 B1 的值。 我们可以使用不同的技术来从数据中学习线性回归模型，例如普通最小二乘法的线性代数解和梯度下降优化。 线性回归大约有 200 多年的历史，并已被广泛地研究。 Logistic 回归 Logistic 回归是机器学习从统计学领域借鉴过来的另一种技术。它是二分类问题的首选方法。 像线性回归一样，Logistic 回归的目的
40910编辑于 2024-12-18 - 来自专栏小詹同学
机器学习必学10大算法
本文介绍了 10 大常用机器学习算法，包括线性回归、Logistic 回归、线性判别分析、朴素贝叶斯、KNN、随机森林等。 1. 线性回归 在统计学和机器学习领域，线性回归可能是最广为人知也最易理解的算法之一。 预测建模主要关注的是在牺牲可解释性的情况下，尽可能最小化模型误差或做出最准确的预测。 分类和回归树 决策树是一类重要的机器学习预测建模算法。 决策树可以被表示为一棵二叉树。这种二叉树与算法设计和数据结构中的二叉树是一样的，没有什么特别。 支持向量机 支持向量机（SVM）可能是目前最流行、被讨论地最多的机器学习算法之一。 超平面是一条对输入变量空间进行划分的「直线」。 袋装法和随机森林 随机森林是最流行也最强大的机器学习算法之一，它是一种集成机器学习算法。 自助法是一种从数据样本中估计某个量（例如平均值）的强大统计学方法。
53000发布于 2019-11-12 - 来自专栏机器之心
机器学习必学10大算法
本文介绍了 10 大常用机器学习算法，包括线性回归、Logistic 回归、线性判别分析、朴素贝叶斯、KNN、随机森林等。 1. 线性回归 在统计学和机器学习领域，线性回归可能是最广为人知也最易理解的算法之一。 预测建模主要关注的是在牺牲可解释性的情况下，尽可能最小化模型误差或做出最准确的预测。 支持向量机 支持向量机（SVM）可能是目前最流行、被讨论地最多的机器学习算法之一。 超平面是一条对输入变量空间进行划分的「直线」。 袋装法和随机森林 随机森林是最流行也最强大的机器学习算法之一，它是一种集成机器学习算法。 自助法是一种从数据样本中估计某个量（例如平均值）的强大统计学方法。 10. Boosting 和 AdaBoost Boosting 是一种试图利用大量弱分类器创建一个强分类器的集成技术。
77630发布于 2019-03-30 - 来自专栏张俊红
图解10大机器学习算法
今天给大家分享一篇机器学习算法的文章，利用图解的方式介绍了10大常见的机器学习算法。 对于渴望了解机器学习基础知识的机器学习新人来说，这儿有份数据科学家使用的十大机器学习算法，为你介绍这十大算法的特性，采用图解的方式便于大家更好地理解和应用， 1、线性回归Linear Regression 线性回归可能是统计学和机器学习中最知名和最易理解的算法之一。 9、bagging和随机森林Random Forest 随机森林是最流行和最强大的机器学习算法之一。它是一种被称为Bootstrap Aggregation或Bagging的集成机器学习算法。 虽然还有很多其他的机器学习算法，但这些算法是最受欢迎的算法。如果你是机器学习的新手，这是一个很好的学习起点。
80251编辑于 2022-03-25 - 来自专栏AI科技大本营的专栏
10月机器学习开源项目Top10
作者 | Mybridge 译者 | 林春眄 整理 | Jane 出品 | AI科技大本营 【导读】过去一个月里，我们对近 250 个机器学习开源项目进行了排名，并挑选出热度前 10 的项目。 这份清单的平均 github star 数量高达 1345，涵盖了包括深度学习, Tensorflow, 图像分割, 漫画着色, 强化学习，Unity 等主题，希望你能从中找到一个你所感兴趣的项目深入探究 utm_campaign=read_more 参考视频： https://www.bilibili.com/video/av32698923/ ▌Top 5：Holodeck Holodeck 是用于强化学习和机器人研究的模拟器 此外，Petastorm 还支持当前流行的基于 Python 的机器学习（ML）框架，如 Tensorflow，PyTorch 和PySpark，也可以通过纯 Python 代码来使用它。 ? utm_source=mybridge&utm_medium=blog&utm_campaign=read_more ▌Top 10：Tencent-ml-images Tencent-ml-images
58830发布于 2018-12-05 - 来自专栏机器学习算法与Python学习
10月机器学习开源项目Top10
作者 | Mybridge 译者 | 林春眄 整理 | Jane 出品 | AI科技大本营 过去一个月里，我们对近 250 个机器学习开源项目进行了排名，并挑选出热度前 10 的项目。 这份清单的平均 github star 数量高达 1345，涵盖了包括深度学习, Tensorflow, 图像分割, 漫画着色, 强化学习，Unity 等主题，希望你能从中找到一个你所感兴趣的项目深入探究 utm_campaign=read_more 参考视频： https://www.bilibili.com/video/av32698923/ ▌Top 5：Holodeck Holodeck 是用于强化学习和机器人研究的模拟器 此外，Petastorm 还支持当前流行的基于 Python 的机器学习（ML）框架，如 Tensorflow，PyTorch 和PySpark，也可以通过纯 Python 代码来使用它。 ? utm_source=mybridge&utm_medium=blog&utm_campaign=read_more ▌Top 10：Tencent-ml-images Tencent-ml-images
50730发布于 2018-12-05 - 来自专栏AI小白入门
【机器学习】一文了解机器学习必学10大算法
选自Medium 作者：garvitanand2 机器之心编译 参与：Geek AI、路 本文介绍了 10 大常用机器学习算法，包括线性回归、Logistic 回归、线性判别分析、朴素贝叶斯、KNN、随机森林等 线性回归 在统计学和机器学习领域，线性回归可能是最广为人知也最易理解的算法之一。 预测建模主要关注的是在牺牲可解释性的情况下，尽可能最小化模型误差或做出最准确的预测。 支持向量机 支持向量机（SVM）可能是目前最流行、被讨论地最多的机器学习算法之一。 超平面是一条对输入变量空间进行划分的「直线」。 袋装法和随机森林 随机森林是最流行也最强大的机器学习算法之一，它是一种集成机器学习算法。 自助法是一种从数据样本中估计某个量（例如平均值）的强大统计学方法。 redirectUrl=https%3A%2F%2Fblog.goodaudience.com%2Ftop-10-machine-learning-algorithms-2a9a3e1bdaff 本文为机器之心编译
63610发布于 2019-10-17 - 来自专栏机器学习算法工程师
《机器学习》笔记-降维与度量学习（10）
作者：刘才权 编辑：黄俊嘉 前 言 如今机器学习和深度学习如此火热，相信很多像我一样的普通程序猿或者还在大学校园中的同学，一定也想参与其中。 对于自己，经历了一段时间的系统学习（参考《机器学习/深度学习入门资料汇总》(https://zhuanlan.zhihu.com/p/30980999)），现在计划重新阅读《机器学习》[周志华]和《深度学习 这两本是机器学习和深度学习的入门经典。 记录笔记，一方面，是对自己先前学习过程的总结和补充。 另一方面，相信这个系列学习过程的记录，也能为像我一样入门机器学习和深度学习同学作为学习参考。 6 度量学习 在机器学习中，对高维数据进行降维的主要目的是希望找到一个合适的低维空间，在此空间中进行学习能比原始空间性能更好。
78440发布于 2018-07-27 - 来自专栏人工智能
深入机器学习系列10-ALS
在机器学习中，ALS特指使用交替最小二乘求解的一个协同推荐算法。它通过观察到的所有用户给商品的打分，来推断每个用户的喜好并向用户推荐适合的商品。举个例子，我们看下面一个8*8的用户打分矩阵。
1.3K60发布于 2018-02-02 - 来自专栏人工智能头条
机器学习 TOP 10 必读论文 | 资源
翻译 | AI科技大本营 编辑 | Donna Medium上的机器学习深度爱好者必关注的账号Mybridge照例对11月发表的学术论文进行了排名，整理出了10篇必读论文，建议收藏深读。 1. 用深度学习改善姑息治疗（中文版请参阅《吴恩达团队最新成果：用深度学习来改善临终关怀服务》） https://arxiv.org/abs/1711.06402 本文主要从两个角度探讨这个问题。 http://blog.otoro.net/2017/11/12/evolving-stable-strategies/ 在《进化策略的可视化指南 - http://blog.otoro.net/2017/10 10. 神经网络介绍（中文版《干货！这里有一份神经网络入门指导，请收下！》） 这份指导包含了他具体的学习思路，包括所遇到的难点以及多种详细的解决方法。文章不短，但是值得深读，建议收藏！
75050发布于 2018-06-05 - 来自专栏AI科技大本营的专栏
推荐 | 机器学习开源项目 Top 10
编译 | AI科技大本营 一直为开发者提供优质学习资源的Mybridge最近又发布了一篇资源性文章：机器学习领域开源项目Top 10，AI科技大本营做了简要编译。 github.com/CMU-Perceptual-Computing-Lab/openpose ▌Rank 2 TensorComprehensions：由Facebook Research提出的，一种用于表达机器学习工作负载领域的特定语言 张量生成式(简称TC)是一个多功能的C++库，利用Halide、ISL、NVRTC和LLVM框架，它能够自动合成高性能的机器学习内核。 github.com/facebookresearch/TensorComprehensions ▌Rank 3 Shap：由Scott Lundberg开源，该项目使用期望值和Shapley值，可以解释任何机器学习模型的输出 github链接：https://github.com/slundberg/shap ▌Rank 4 NapkinML：由Erik Linder-Norén开源，该项目是浓缩版的NumPy库，能够实现机器学习中的各种模型
73780发布于 2018-04-26 - 来自专栏目标检测和深度学习
推荐 | 机器学习开源项目 Top 10
一直为开发者提供优质学习资源的Mybridge最近又发布了一篇资源性文章：机器学习领域开源项目Top 10，AI科技大本营做了简要编译。 github.com/CMU-Perceptual-Computing-Lab/openpose ▌Rank 2 TensorComprehensions：由Facebook Research提出的，一种用于表达机器学习工作负载领域的特定语言 张量生成式(简称TC)是一个多功能的C++库，利用Halide、ISL、NVRTC和LLVM框架，它能够自动合成高性能的机器学习内核。 github.com/facebookresearch/TensorComprehensions ▌Rank 3 Shap：由Scott Lundberg开源，该项目使用期望值和Shapley值，可以解释任何机器学习模型的输出 github链接：https://github.com/slundberg/shap ▌Rank 4 NapkinML：由Erik Linder-Norén开源，该项目是浓缩版的NumPy库，能够实现机器学习中的各种模型
1.8K20编辑于 2022-03-04 - 来自专栏AI 算法笔记
10个实用的机器学习建议
原文：https://medium.com/modern-nlp/10-great-ml-practices-for-python-developers-b089eefc18fc 作者：Pratik Bhavsar 从我开始进入这个领域，我曾经犯下很多错误，并考虑分享一些我所知道的对于机器学习工程开发中最常用的技能。在我看来，这些也是工业界目前最缺乏的一些技能。 如果必须在一个优秀的数据科学家和一个优秀的机器学习工程师中选择招聘一个，我会选择后者。 下面就开始介绍 10 个实用的机器学习建议吧。 ---- 1. fastprogress.fastprogress import master_bar, progress_bar from time import sleep mb = master_bar(range(10 下面是一个很好的用于经典的机器学习和深度学习的部署策略，但注意是请求数量不大的时候，比如每分钟1000次。
52610发布于 2020-04-23 - 来自专栏数据科学与人工智能
【算法】10 种机器学习算法要点
小编邀请您，先思考： 1 你熟悉那些机器学习算法？ 2 你如何应用机器学习算法？ 这篇指南的目的，是为那些有追求的数据科学家和机器学习狂热者们，简化学习旅途。这篇指南会让你动手解决机器学习的问题，并从实践中获得真知。 但如果你想要在开始一个机器学习项目之前做些准备，你会喜欢这篇文章的。 广义来说，有三种机器学习算法 1、 监督式学习 工作机制：这个算法由一个目标变量或结果变量（或因变量）组成。 机器从过去的经验中进行学习，并且尝试利用了解最透彻的知识作出精确的商业判断。 强化学习的例子有马尔可夫决策过程。 常见机器学习算法名单 这里是一个常用的机器学习算法名单。 结语 现在我能确定，你对常用的机器学习算法应该有了大致的了解。写这篇文章并提供 Python 和 R 语言代码的唯一目的，就是让你立马开始学习。如果你想要掌握机器学习，那就立刻开始吧。
74090发布于 2018-03-27 - 来自专栏机器人网
机器学习领域10本好书由浅入深
机器学习是个跨领域的学科，而且在实际应用中有巨大作用，但是没有一本书能让你成为机器学习的专家。 在这篇文章中，我挑选了 10 本书，这些书有不同的风格，主题也不尽相同，出版时间也不一样。 这本书长达 900 多页，但它仍然是无可争议学习人工智能这一与机器学习非常相关的主题的最好的资源。 傻瓜机器学习 ? 他还出版了机器学习导论。 Ethem 有丰富的经验，并且他之前的作品也是拔尖的。 Ethem 向我们描述了机器学习的演化过程，并且告诉我们如何在实际的应用中使用机器学习的算法。 它是你学习人工智能和机器学习基础的一盘开胃菜。 机器学习：用算法让数据说话 ? Peter Flach 写的这本机器学习包含了很多机器学习的实际案例。我认为这本书是为中高级开发人员而写。 这 10 本书是我精心挑选的，它们涵盖了很宽泛的领域。如果你想更好的理解机器学习或者解决项目中的问题，你需要根据你的实际情况选择最适合你的书，因为它们值得拥有。
68450发布于 2018-07-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号