- 综合排序
- 最热优先
- 最新优先
- 来自专栏啄木鸟软件测试
机器学习连载（3）
courseId=1209980013&share=2&shareId=480000002205486 性能测试第3季:JMeter工具使用 https://study.163.com/course/courseMain.htm
31620发布于 2021-05-17 - 来自专栏悦思悦读
制定「机器学习」学习计划【3】
身处这样一个热点行业，学习是必须的。 大数据、AI（人工智能）相继席卷世界后，作为程序员，真得学点机器学习了。 小白入门，学习机器学习，一定要上培训班吗？当然不是！ 笔者反而建议：充分利用免费资源，尽量自学。 AI行业的知识、技术，包括各种工程实践，best practice，都是纯粹的书面知识。 具备本科理工科数学水平的人，从头自学机器学习，并不是一件难事。完全可以把机器学习当作大学时候的一门课（可以类比一下数据结构），你要做的，就是自修这门课。 如果你和前面例子一样，已经选定了机器学习作为学习目标，Andrew Ng的Machine Learning是一定要从头到尾学一遍的。每节课后的习题都比较简单，要逼着自己做完。 3）然后，在尽量广泛地收集了大量培训信息后，对照课程大纲和自己的学习计划进行选择。 教师声誉、培训机构声誉、网友评价等可以作为参考和背书，但核心是课程大纲与个人计划的匹配度！
1.2K60发布于 2018-03-15 - 来自专栏数据科学与人工智能
3个机器学习算法
这些问题是根据已有数据学习出来的，再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到合适的叶子上。 ? 2、随机森林 在源数据中随机选取数据，组成几个子集： ? 3、ADABOOST adaboost 是 bosting 的方法之一。 bosting就是把若干个分类效果并不好的分类器综合起来考虑，会得到一个效果比较好的分类器。 training的时候，会得到每个feature的weight，例如2和3的开头部分很像，这个feature对分类起到的作用很小，它的权重也就会较小。 ?
55120发布于 2019-05-28 - 来自专栏合集
机器学习day3
针对不同问题，分类，排序，回归，序列预测，选择合适的评估方式。 准确率Accuracy，精确率Precision，召回率Recall，均方根误差Root Mean Square Error，RMSE
63100发布于 2020-06-01 - 来自专栏WD学习记录
机器学习 学习笔记（3） 梯度下降
（3）计算梯度 ? ，当 ? 时，停止迭代，令 ? ，否则，令 ? ，求 ? ，使 ? （4） 令 ? ，计算 ? ，当 ? 或 ? 时，停止迭代，令 ? （5）否则，令k=k+1，转（3） 当目标函数是凸函数时，梯度下降法的解释全局最优解，一般情况下，其解不保证是全局最优解，梯度下降法的收敛速度也未必是很快的。 这种方法能够降低更新参数的方差，使得收敛过程更加稳定，能够利用最新的深度学习程序库中高度优化的矩阵运算器，能够高效地求出每小批数据的梯度。 （Curriculum Learning） 批量标准化（Batch Normalization） 早停（Early Stopping） 梯度噪声（Gradient Noise） 参考： 《机器学习》 《 统计学习方法》 深度解读最流行的优化算法：梯度下降 三种梯度下降的方式：批量梯度下降、小批量梯度下降、随机梯度下降
66110发布于 2018-09-03 - 来自专栏硅光技术分享
机器学习笔记3：逻辑回归
这篇笔记整理下逻辑回归(logisitic regression)的相关知识点。
62840发布于 2020-08-13 - 来自专栏机器学习算法工程师
《机器学习》笔记-线性模型（3）
作者：刘才权 编辑：李文臣 写在前面 1 如今机器学习和深度学习如此火热 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。 有些二分类学习方法可直接推广到多分类。 考虑N个类别C1,C2,...,CN，多分类学习的基本思路是“拆解法”，即将多分类任务拆为若干若干个二分类任务求解。
1.3K40发布于 2018-03-06 - 来自专栏云深之无迹
Julia机器学习核心编程.3
• 基于计算机的运行方式，因此与机器语言相近。 • 很多流行的语言都使用这种编程范式。 使用命令式编程范式具有如下劣势： • 很多问题都无法按照顺序执行的方法来解决。 （3）继承：允许类从现有类继承属性和行为，从而无须重写它们，这也有助于保持一致性。因为如果有变化，我们只需要在一个地方进行修改即可。派生类可以添加自己的属性和行为，为基类提供扩展功能。
65820发布于 2020-08-13 - 来自专栏SuperFeng
机器学习系列 3：梯度下降
解释一下这个伪代码，首先是一个循环结构，当不能再更新 θ0, θ1 时循环停止，:= 是一个赋值号，α 是学习速率，也就是你下山每次迈出多大步子，后面紧跟着的是一个偏导数。 但是值得注意的一点是， 学习速率 α 要选择恰当，如果太大的话会出现下图中的情况，直接跳过局部最优解，一直循环，而且离局部最优解会越来越远。 ? 如果太小的话，寻找局部最优解的速率会特别特别慢。 ?
58620发布于 2019-09-26 - 来自专栏小鹏的专栏
机器学习-3：MachineLN之dl
（1）目前深度学习需要大量数据； （2）深度学习目前还是太表浅，没有足够的能力进行迁移； （3）迄今深度学习没有自然方式来处理层级架构； （4）迄今为止的深度学习无法进行开放推理； （5）迄今为止的深度学习不够透明 （3）如果那天dl热潮过了，你还有还什么技能可能养家糊口？ 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.
70540编辑于 2022-05-09 - 来自专栏机器学习实践二三事
机器学习基本概念-3
因此,从training set D 中学习函数f等价于: estimating θ from D. estimation的质量可以使用Bias和Variance来衡量,而不是拿真实的parameter 和学习到的parameter或者函数之间来对比.
86180发布于 2018-01-02 - 来自专栏数据挖掘
python3验证码机器学习 python3验证码机器学习
python3验证码机器学习 文档结构为 -- iconset -- ... -- jpg -- captcha.gif -- py -- crack.py 需要的库 pip3 install pillow or easy_install Pillow 必须文件下载地址 python3验证码机器学习 1.读取图片，打印图片的结构直方图 # ! 1, 3, 3, 0, 0, 0, 0, 0, 0, 1, 0, 3, 2, 132, 1, 1, 0, 0, 0, 1, 2, 0, 0, 0, 0, 0, 0, 0, 15, 0, 1, 0, 1 , (157, 3), (158, 3), (167, 3), (228, 3), (56, 2), (67, 2), (91, 2), (96, 2), (109, 2), (122, 2), (127 = im2.crop((letter[0], 0, letter[1], im2.size[1])) # 更改成用时间命名 # im3.save("..
71840发布于 2019-07-02 - 来自专栏讲编程的高老师
吴恩达机器学习笔记3-什么是机器学习
主要有三个知识点： 机器学习的定义；（这是本次视频的重点内容） 机器学习算法的分类；（本次视频只是引子，后续课程会更详细介绍） 本系列课程的优点。 （软广告） 2.1 机器学习的定义： 机器学习领域的创始人Arthur Samuel（亚瑟·塞缪尔）早在1959年就给机器学习（Machine Learning，ML）下了定义：机器学习是这样的一个研究领域 Arthur Samuel不仅仅是给ML下了定义，他还开发了一个机器学习的系统，能够通过跟人下跳棋来学习提升机器自身的下跳棋的水平，通过成千上万次的学习之后Arthur Samuel的ML机器能够和Arthur 有了这三个概念，机器学习的定义可以更加严谨：就是在有了经验E的帮助后，机器完成任务T的衡量指标P会变得更好。 2.2 机器学习算法的分类： 机器学习算法主要包括：有监督学习、无监督学习，那什么是有监督什么是无监督呢？更详细介绍会出现在后面几个视频中。
92840发布于 2020-08-14 - 来自专栏技术专栏
Python3入门机器学习（一）- 机器学习基本概念
数据3 ? 数据4 机器学习中监督学习的基本任务 分类任务 将给定的数据进行分类，比如区分猫和狗 二分类任务 判断邮件是垃圾邮件；不是垃圾邮件 判断发放给客户信用卡有风险；没有风险 判断病患良性肿瘤；恶性肿瘤 给机器的训练数据拥有“标记”或者“答案”，人类已经给机器对数据进行了正确答案的划分，这个答案的划分本身就是监督的信息 图像已经拥有了标记信息 银行已经积累了一定的客户信息和他们信息卡的信用情况 医院已经积累了一定的病人信息和他们最终确诊是否患病的情况 市场积累了房屋的基本信息和最终成交的金额 非监督学习 给机器的训练数据没有任何的“答案”和“标记” 对没有“标记”的数据进行分类-聚类分析 对数据进行降维处理 特征提取：信用卡的信用评级和人的胖瘦无关 异常检测 半监督学习 一部分数据有“标记”或者“答案”，另一部分数据没有 更常见：各种原因产生的标记缺失 增强学习 根据周围环境的情况，采取行动，根据采取行动的结果，学习行动方式 无人驾驶 机器人
80240发布于 2018-09-12 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-3 NumPy数据基础
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍NumPy模块的一些基础知识。 为什么要使用NumPy呢？ array虽然解决了List效率问题，但是我们知道机器学习中，很多使用矩阵以及向量进行科学计算的地方，所以list列表和array还有一个缺点，就是它们本身就把一个数据，当成一个数组来看，或者当成一个二维数组来看 ，但是不论是一维数组还是二维数组，list和array都没有把数据看成是向量或者是矩阵，相应的也就没有为这些运算配备和向量以及矩阵相关的运算，这使得机器学习算法中使用比list高效的array还是不方便
95200发布于 2019-11-13 - 来自专栏趣Python
机器学习（3）再说监督学习的套路
前面说过了监督学习的重要性，这里我们再来说说监督学习的套路。 让我们再回到问题的本质，不管是监督学习还是非监督学习，都是为了找到特征。 什么是特征？电视机是长方形的，球是圆形的，这就是特征。 1像铅笔能写字，2像鸭子水中游，3像耳朵能听话，4像红旗迎风飘，5像鱼钩把鱼钓，6像哨子能吹响，7像镰刀能割草，8像葫芦上下圆，9像勺子能盛饭。 这些都是特征。 在监督学习中，训练的目的是为了得到数据的特征。我们怎么来确定这个特征是真的特征，同样用的是相似性。 这个相似性在数学表达上，通俗的讲，就是距离最近，距离最近的那个特征就是我们要找的特征。 这在机器学习中有一个专业术语叫损失函数（Loss function）或代价函数（Cost function），我们要做的就是让这个函数值（也就是距离）最小，那么对应的特征就是我们要找的特征。 ---- 这次就到这里，监督学习找特征的套路：定义代价函数，让它最小，搞定。 ?
41410发布于 2020-06-02 - 来自专栏小道
机器学习学习笔记(3) --SparkMLlib部分算法解析
目录 1、线性回归(有监督值预测算法模型) 2、贝叶斯(有监督的基于概率的分类算法模型) 3、KNN最邻近算法(有监督的分类算法) 4、K-Means算法(无监督聚类算法) 5、逻辑回归算法(线性回归分析有监督分类模型 ) 6、决策树和随机森林(非线性有监督分类模型) 1、线性回归(有监督值预测算法模型) 由点与点之间的关系反推出函数表达式的过程就是回归，回归在机器学习中解决的问题就是值预测问题；确定一条最好的直线来拟合所有的点 即正向求导无法求得答案，则可以使用梯度下降的方法求Θ₀和Θ₁的值，梯度下降法又分为随机梯度下降法和批量梯度下降法；在训练线性回归模型时需要指定一个误差值J(Θ)，梯度下降法调节Θ₀和Θ₁的值时还要指定步长和学习率 2、贝叶斯(有监督的基于概率的分类算法模型) 机器学习算法中，有种依据概率原则进行分类的朴素贝叶斯算法，正如气象学家预测天气一样，朴素贝叶斯算法就是应用先前事件的有关数据来估计未来某个事件发生的概率 3、KNN最邻近算法(有监督的分类算法) 该算法的思路是：如果一个样本空间中的K个最相似的样本中大多数属于某个类别，则该样本也属于这个类别。
73420发布于 2021-04-13 - 来自专栏乐享123
吴恩达机器学习笔记-3
神经网络学习, 反向传播算法， 模型优化 神经网络学习 为什么需要神经网络 普通的逻辑回归模型，不能有效地处理大量的特征，这时候我们需要神经网络。 神经元和大脑 大脑是个通用处理机，同样的一部分大脑区域，可以处理声音、视觉、味觉等多种信号； 从某种意义上来说，如果我们能找出大脑的学习算法，然后在计算机上执 行大脑学习算法或与之相似的算法，也许这将是我们向人工智能迈进做出的最好的尝试 人工智能的梦想就是：有一天能制造出真正的智能机器。 模型表示 ? 如果分类问题有四个结果， 我们不会将y的取值为：0，1，2，3 而是会将y表示为一个1*4的向量 1 2 3 4 5 6 7 8 9 import numpy as np import tqdm def 的增加，训练集误差不断增加（欠拟合），而交叉验证集误差则是先减小后增加 学习曲线 学习曲线是将训练集误差和交叉验证集误差作为训练集实例数量（m）的函数绘制的图表。
74210发布于 2019-12-30 - 来自专栏NowlNowl_AI
机器学习第3天：线性回归
文章目录 线性回归简介 线性回归公式 （1）基本公式 （2）公式向量化 模型评估 机器学习代码 环境安装 生成数据 机器学习线性模型拟合 线性回归简介 线性回归问题是机器学习中最基本的问题，它常用来预测一些和特征具有线性关系的值 ，我们在之前的文章中也提到过，可见这篇文章：机器学习第1天：概念与体系漫游-CSDN博客 线性回归公式 （1）基本公式 在这个公式中，y是预测值，a是参数，x是特征值，模型的学习目标就是拟合合适的a值， 环境安装 sklearn，一个经典的机器学习库，在python命令行或conda虚拟环境命令行中运行以下代码（不知道怎么安装请自行搜索，这里不具体讲述） pip install scikit-learn np.random.rand函数，rand的参数个数代表维度，参数数字代表每个维度的大小，在这个例子中rand(100, 1)创建了一个二维数组，里面有100个一维数据，数据类型大概为[[x1], [x2], [x3] 效果如下 机器学习线性模型拟合 接下来我们使用机器学习模型来拟合 import matplotlib.pyplot as plt import numpy as np from sklearn.linear_model
35810编辑于 2024-01-18 - 来自专栏技术专栏
Python3入门机器学习（七）- PCA
1.PCA简介 PCA（Principal Component Analysis）：也是一个梯度分析的应用，不仅是机器学习的算法，也是统计学的经典算法 ? ,size=100) # 0.75倍的X[:,0]加上3加上一个噪音 X[:,1] = 0.75*X[:,0]+3.+np.random.normal(0.,10. 3-3 ---- 4.求数据的前N个主成分 求出第一主成分以后，如何求出下一个主成分? 高维数据向低维数据进行映射 对于一个数据集X来说，这个X有m行n列，代表有m个样本n个特征，通过我们前面学习的主成分分析法，假设我们已经求出了针对这个数据来说的前k个主成分，每一个主成分对应一个单位方向 ,size=100) # 0.75倍的X[:,0]加上3加上一个噪音 X[:,1] = 0.75*X[:,0]+3.+np.random.normal(0.,10.
1.7K30发布于 2018-09-12
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