- 综合排序
- 最热优先
- 最新优先
- 来自专栏MiningAlgorithms
机器学习11：机器学习算法目录（前）
机器学习算法目录： 一、模型选择与评价： 1，误差：误差由偏差(bias)、方差(variance)和噪声(noise)组成； 2，多分类学习：一对一、一对其余、多对多（参考：西瓜书p63）；单标签二分类 3，交叉验证，网格搜索： 4，模型评价相关指标： 5，模型持久化（modelpersistence）： 6，验证曲线（validationcurves）： 二、机器学习部分： 1，线性回归： 最小二乘 10，概率图模型（参考邱老师的PPT） 11，降维学习：主成分分析（PCA），线性判别分析（LDA）、特征选择；特征降维可分为有监督（LDA）和无监督（LSA、NMF）；主题模型（LDA、LSA） 要点 12，集成学习（已整理为：机器学习5-8）：随机森林（Extra tree、Totally Random Trees Embedding、Isolation forest）、Adboost、GBDT、XGBoost ： 1，马尔科夫决策过程（MarkovDecision Processes）： 2，Q-Learning： 3，Sarsa： 五、迁移学习：多模态学习 六、按监督，非监督分类： 1），监督学习： 1.1
1.2K20发布于 2019-08-08 - 来自专栏数据科学与人工智能
【机器学习】机器学习的11个开源项目
机器学习是目前数据分析领域的一个热点内容，在平时的学习和生活中经常会用到各种各样的机器学习算法。实际上，基于Python、Java等的很多机器学习算法基本都被前人实现过很多次了。 在这样的背景下， InfoWorld近日公布了机器学习领域11个最受欢迎的开源项目，这11个开源项目大多与垃圾邮件过滤、人脸识别、推荐引擎相关。 它包括了一系列的对图像和音频的机器学习算法，如人脸检测、SIFT拼接等等。同时，Accord支持移动对象的实时跟踪等功能。它提供了一个从神经网络到决策树系统的机器学习库。 MLlib MLlib是Apache 自己的Spark和Hadoop机器学习库，它被设计用于大规模高速度地执行MLlib所包含的大部分常见机器学习算法。 Oryx能够让机器学习的模型使用在实时的数据流上，如垃圾邮件过滤等。 GoLearn GoLearn是谷歌所构建的Go语言的一体化机器学习库，目标是简单并且可定制。
1.8K90发布于 2018-02-27 - 来自专栏Soul Joy Hub
《机器学习技法》学习笔记11——GBDT
http://blog.csdn.net/u011239443/article/details/77435463
99120发布于 2019-02-13 - 来自专栏小鹏的专栏
机器学习-11：MachineLN之过拟合
机器学习-1：MachineLN之三要素 2. 机器学习-2：MachineLN之模型评估 3. 机器学习-3：MachineLN之dl 4. 机器学习-4：DeepLN之CNN解析 5. 机器学习-5：DeepLN之CNN权重更新（笔记） 6. 机器学习-6：DeepLN之CNN源码 7. 机器学习-7：MachineLN之激活函数 8. 机器学习-8：DeepLN之BN 9. 机器学习-9：MachineLN之数据归一化 10. 机器学习-10：MachineLN之样本不均衡 11. 机器学习-11：MachineLN之过拟合 12. 机器学习-12：MachineLN之优化算法 13. 机器学习-13：MachineLN之kNN 14. 机器学习-14：MachineLN之kNN源码 15. 机器学习-15：MachineLN之感知机 16. 机器学习-16：MachineLN之感知机源码 17.
77220编辑于 2022-05-09 - 来自专栏IT派
11 个Javascript机器学习库
该项目包括几种内置体系结构，如多层感知器，多层长短期记忆网络，液态机器和能够训练真实网络的培训师 ? PAIR-code / deeplearnjs - 硬件加速深度学习//机器学习//为网络提供NumPy库。 https://github.com/PAIR-code/deeplearnjs 7. 有人认为这个项目是convnetjs的继任者，所以实现一个基于全栈式神经网络的机器学习框架和扩展的强化学习支持。 10. mljs 一组库提供由mljs组织开发的用于Javascript的机器学习工具，其中包括有监督学习和无监督学习，人工神经网络，回归算法以及用于统计学，数学等的支持库。下面是一个简短的【演练】。 /hackernoon.com/machine-learning-with-javascript-part-1-9b97f3ed4fe5 mljs --https://github.com/mljs 11
1.5K40发布于 2018-08-10 - 来自专栏机器学习原理
机器学习（11）——非线性SVM
前言： 上一篇介绍了线性SVM还有一些尾巴没有处理，就是异常值的问题。 软间隔 线性可分SVM中要求数据必须是线性可分的,才可以找到分类的超平面,但是有的时候线性数据集中存在少量的异常点,由于这些异常点导致了数据集不能够线性划分;直白来讲就是:正常数据本身是线性可分的,但是由于存在异常点数据,导致数据集不能够线性可分。 我们需要对上一章的SVM算法模型就行改进，对于每个样本只需要引入松弛因子η，使得样本到超平面的函数距离放松了。当然松弛因子的引入是有成本的，可能会导致模型的分类错误。为此我们需要在松弛因
2K50发布于 2018-04-27 - 来自专栏啄木鸟软件测试
快速入门Python机器学习（11）
朴素贝叶斯可以分为贝努利贝叶斯(BernoulliNB)、高斯贝叶斯(GaussianNB)和多项式贝叶斯(MultinomailNB)。贝努利贝叶斯(BernoulliNB)又可以分为二项分布和0-1分布。我们首先来介绍贝努利贝叶斯(BernoulliNB)。
78920编辑于 2022-09-23 - 来自专栏WD学习记录
机器学习 学习笔记（11） 贝叶斯分类器
反映了分类器所能达到的最好性能，即通过机器学习所能产生的模型精度的理论上限。 若误判损失 ? 用0/1损失来表示，则条件风险为 ? ，于是，最小化分类错误率的贝叶斯最优分类器为 ? 与朴素贝叶斯分类器相似，AODE无需模型选择，既能通过预计计算节省预测时间，也能采取懒惰学习方式在预测时再进行计数，并且易于实现增量学习。 以下代码为朴素贝叶斯分类器代码： # 代码和数据集来源于机器学习实战，https://github.com/AnnDWang/MachineLearning/blob/master/thirdbook/ testEntry)) print(testEntry, 'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb)) testingNB() 参考： 《机器学习 》 《统计学习方法》 《机器学习实战》
1.9K30发布于 2018-09-04 - 来自专栏xingoo, 一个梦想做发明家的程序员
吴恩达机器学习笔记 —— 11 应用机器学习的建议
本篇讲述了在机器学习应用时，如何进行下一步的优化。如训练样本的切分验证？基于交叉验证的参数与特征选择？在训练集与验证集上的学习曲率变化？ 更多内容参考 机器学习&深度学习 如果已经创建好了一个机器学习的模型，当我们训练之后发现还存在很大的误差，下一步应该做什么呢？
69000发布于 2018-07-31 - 来自专栏SuperFeng
机器学习系列11：神经网络
神经网络可以用来学习复杂的非线性假设模型。
65730发布于 2019-09-26 - 来自专栏NowlNowl_AI
机器学习第11天：降维
我们找到最主要的，剔除不重要的 主流方法 1.投影 投影是指找到一个比当前维度低的维度面（或线），这个维度面或线离当前所有点的距离最小，然后将当前维度投射到小维度上 二维投射到一维 三维投射到二维 2.流形学习 我们来看看被称为瑞士卷数据集的三维图 经过两种降维数据的处理，我们得到下面两幅二维数据可视化图 我们可以看到，左边的数据 有很多重合的点，它使用的是投影技术，而右图就像将数据集一层层展开一样，这就是流形学习
52110编辑于 2024-01-18 - 来自专栏机器学习算法工程师
《机器学习》笔记-特征选择与稀疏学习（11）
作者：刘才权 编辑：田 旭 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》），现在计划重新阅读《机器学习》[周志华]和《深度学习》[Goodfellow et al]这两本书，并在阅读的过程中进行记录和总结 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。 特征选择是一个重要的“数据预处理”（data preprocessing）过程，在现实机器学习中，获得数据之后通常进行特征选择，之后再进行训练学习器。
81640发布于 2018-07-27 - 来自专栏合集
机器学习day11降维
，通过以下映射将n维样本映射到d维 相关阅读： 机器学习day9-决策树 机器学习day8-SVM训练误差为0的解存在问题 机器学习day7-逻辑回归，分类问题
68850发布于 2020-08-25 - 来自专栏人工智能与演化计算成长与进阶
11机器学习系统设计5数据量对机器学习的影响
11.5 数据量对机器学习的影响 Data For Machine Learning 问题引入 很多很多年前，我认识的两位研究人员 Michele Banko 和 Eric Brill 进行了一项有趣的研究 ，他们尝试通过机器学习算法来区分常见的易混淆的单词，他们尝试了许多种不同的算法，并发现数据量非常大时，这些不同类型的算法效果都很好 ? 于是他们把诸如这样的机器学习问题，当做一类监督学习问题，并尝试将其分类，什么样的词，在一个英文句子特定的位置，才是合适的。 他们用了几种不同的学习算法，这些算法都是在他们 2001 年进行研究的时候，都已经被公认是比较领先的。 总结 如果你有大量的数据，而且你训练了一种带有很多参数的学习算法，那么这将会是一个很好的方式，来提供一个高性能的学习算法。
68510发布于 2020-08-14 探索11种流行的机器学习算法
然而，机器学习不仅仅是我们便利的工具。在当前的科技领域，机器学习已经变得至关重要，而且这种趋势似乎在未来也不会改变。 在这篇文章中，我们将一起了解11种流行的机器学习算法，并解释它们的作用和可能的使用场景。 强化学习11. Q学习Q学习是一种模型无关的强化学习算法，用于学习在特定状态下的动作的价值。可以将其想象成一个代理在迷宫中导航——通过试错来找到到达中心的最快路径。 它也有高计算成本，奖励需要仔细地进行缩放，以确保有效的学习。企业解决方案中的机器学习算法机器学习已经迅速成为推动各行各业创新和效率的强大工具。 考虑到我们在这篇博客中介绍的11种算法的深度和多样性，这并不奇怪。在Elastic，我们非常清楚机器学习的力量和潜力。我们已经构建了一套解决方案，使企业可以直接使用机器学习的力量。
1K31编辑于 2024-05-02- 来自专栏数据科学（冷冻工厂）
297个机器学习彩图知识点（11）
导读 本系列将持续更新20个机器学习的知识点，欢迎关注。1. 单边标签平滑图片2. 逻辑回归图片3. 最小二乘法图片4. 袋外数据误差图片5. 外核图片6. 异常值图片7. 过拟合&欠拟合图片8. 参数共享图片11. 参数&超参数图片12. 不确定性的来源图片13. 夹角图片14. 稀疏性图片15. 平方根图片16. 标准差图片17. 均值的标准误图片18. 标准化图片19. 驻点图片20.
29300编辑于 2023-02-15 - 来自专栏数据科学（冷冻工厂）
297个机器学习彩图知识点（11）
参数共享 11. 参数&超参数 12. 不确定性的来源 13. 夹角 14. 稀疏性 15. 平方根 16. 标准差 17. 均值的标准误 18. 标准化 19. 驻点 20.
26720编辑于 2023-02-27 - 来自专栏AI机器学习与深度学习算法
机器学习入门 11-3 Soft Margin SVM
全文字数：3672字 阅读时间：12分钟 前言 本系列是《玩转机器学习教程》一个整理的视频笔记。前面两个小节具体介绍了Hard Margin SVM算法的思想，并将这种思想转换为数学中的最优化问题。
1.1K31发布于 2020-07-02 - 来自专栏新智元
11位机器学习大牛最爱算法全解
【新智元导读】“你最喜欢的机器学习算法是什么？”这个问题有些像“你最喜欢的颜色是什么？”说不重要吧，细究起来，颇有深意。本文摘选一些机器学习大牛在 Quora 的回答，看看他们爱用的算法和原因。 Carlos Guestrin，机器学习 Amazon 教授，Dato CEO 和看电影一样，没有哪个机器学习算法是我的唯一最爱，但有若干的算法是我最喜欢的，每个有每个的理由。 对感知器算法的收敛性证明是我在机器学习领域见过的最简洁的数学工作。 最有用的：Boosting 算法，特别是 boosted 决策树。这一直观方法让你能够联合多个简单模型以建造高度精确的机器学习模型。 Shehroz Khan，机器学习研究者，多伦多大学博士后 我没有最爱的机器学习算法，因为这样的算法并不存在[1]。不过，我实现的第一个算法是朴素贝叶斯分类器。因此，在某种意义上它对我来说很重要。 但说到最喜欢的，有许多机器学习算法都很重要，属于是机器学习空间中的帕累托集。实际上，机器学习基本理论告诉我们，不存在在所有问题上都最优的单一算法。
89180发布于 2018-03-23 - 来自专栏AI机器学习与深度学习算法
机器学习入门 11-7 RBF核函数
前言 本系列是《玩转机器学习教程》一个整理的视频笔记。在上一小节详解介绍了什么是核函数，并且以多项式核函数为例介绍了核函数的实际含义。 在学习过程中经常会听到："高斯核函数的本质就是将每一个样本点映射到无穷维的特征空间"，这种说法。
6.6K30发布于 2020-10-09
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