- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 3-4 创建Numpy数组(和矩阵)
7 In [16]: np.random.randint(0, 10, 10) Out[16]: array([2, 5, 2, 4, 1, 2, 2, 8, 7, 7]) 有时为了保证机器学习实验的可重复 # 查看random模块的帮助文档 在 Jupyter Notebook 内部查看帮助文档 help(np.random.normal) References： Python3入门机器学习 经典算法与应用
1.1K10编辑于 2022-05-25 - 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3-4查全率查准率F1分数
“参考资料 斯坦福大学 2014 机器学习教程中文笔记 by 黄海广 11.3 偏斜类的误差度量 Error Metrics for Skewed Classes 偏斜类 Skewed Classes 假设我们编写一个非学习而来的算法，在所有情况下都预测肿瘤是良性的，那么误差只有 0.5%。然而我们通过训练而得到的神经网络算法却有 1%的误差。 对于同一个机器学习系统不同的阈值往往对应 不同的查准率和查全率 ，那如何选择阈值才能平衡查准率和查全率，使其都有较好的结果呢？ ?
94210发布于 2020-08-14 - 来自专栏Hank’s Blog
3-4 列表的子集
#列表的子集 Subsetting List #[[]] / $ / [[]][] / [[]][[]] #嵌套列表 /不完全匹配(partial matching) > x <- list(id=1:4,height=170,gender="male") > x[1] #找第1列的元素 $`id` [1] 1 2 3 4 > x["id"] #两个函数作用相同 $`id` [1] 1 2 3 4 > x[[1]] [1] 1 2 3 4 > x[["id"]] [1] 1 2 3 4 > x
1K10发布于 2020-09-16 - 来自专栏python3
3-4 文件读写例子(3)
//==============================第二部分：类设计============================
58810发布于 2020-01-08 - 来自专栏python3
3-4 文件读写例子
3-3 文件读写例子 u本节学习目标： n学习通过文件流FileStream打开文本文件、写入文本文件、设置文件属性、实施对文件的目录操作管理的基本方法 n学习文件对话框的基本操作方法 n学习通过文件流 FileStream获取用户选择文件夹及文件夹信息；获取用户选择文件信息； n学习通过文件流FileStream建立一个新的文本文件，重新写文本信息流，如何在C#中定义文件和文件夹 n学习文件流的资源释放意义以及释放资源的基本顺序 n学习如何针对文本文件进行复杂的编辑，综合查询，删除，插入等操作。 3-3-1 案例学习：文件流FileStream综合案例（一） 本次实验目标是通过一个窗体，如图3－7所示，在点击相应按钮控件时，可以完成对文件的读写操作、磁盘操作以及对目录的管理操作。
1.3K30发布于 2020-01-14 - 来自专栏python3
3-4 文件读写例子(4)
/*******************************************************
58530发布于 2020-01-14 - 来自专栏python3
3-4 文件读写例子(2)
向项目中添加名为FileOption.cs的类文件，并准备填写关于文件操作的各种方法，如图3－8所示：
62930发布于 2020-01-14 - 来自专栏python3
3-4 文件流类FileStream
3-2 文件流类FileStream u本节学习目标： nFileStream文件流类 nFileStream文件流类的创建 nFileMode和FileAccess，FileShare方法基本介绍及注意事项
1.1K20发布于 2020-01-07 - 来自专栏PPV课数据科学社区
【机器学习】机器学习系列：（一）机器学习基础
机器学习是设计和研究能够根据过去的经验来为未来做决策的软件，它是通过数据进行研究的程序。机器学习的基础是归纳（generalize），就是从已知案例数据中找出未知的规律。 然后，我们介绍机器学习系统可以处理的常见任务。最后，我们介绍机器学习系统效果评估方式。 从经验中学习 机器学习系统通常被看作是有无人类监督学习两种方式。 监督学习是通过一个输入产生一个带标签的输出的经验数据对中进行学习。机器学习程序中输出结果有很多名称，一些属于机器学习领域，另外一些是专用术语。 机器学习任务 常见的监督式机器学习任务就是分类（classification）和回归（regression）。 本书不会涉及这类需要上百个机器并行计算才能完成的任务，许多机器学习算法的能力会随着训练集的丰富变得更强大。但是，机器学习算法也有句老话“放入的是垃圾，出来的也是垃圾”。
2.3K123发布于 2018-04-23 - 来自专栏用户画像
4.4 文件系统疑难点 3-4
为了创建一个文件，应用程序调用逻辑文件系统。逻辑文件系统知道目录结构形式。它将分配一个新的FCB给文件，把相应目录读入内存，用新的文件名更新该目录和FCB，并将结果写回到磁盘。
78610发布于 2018-08-24 - 来自专栏数据科学与人工智能
【机器学习】何谓机器学习 机器学习能做些什么？
最近我和一对夫妇共进晚餐，他们问我从事什么职业，我回应道：“机器学习。”妻子回头问丈夫：“亲爱的，什么是机器学习？”她的丈夫答道：“T-800型终结者。” 不过，这位朋友对机器学习的理解还是有所偏差的。机器学习能让我们自数据集中受到启发，换句话说，我们会利用计算机来彰显数据背后的真实含义，这才是机器学习的真实含义。 T-800型终结者（图片来源网络） 现今，机器学习已应用于多个领域，远超出大多数人的想象，下面就是假想的一日，其中很多场景都会碰到机器学习：假设你想起今天是某位朋友的生日，打算通过邮局给她邮寄一张生日贺卡 图1.1集中展示了使用到的机器学习应用。 ? 图1-1 机器学习在日常生活中的应用，从左上角按照顺时针方向依次使用到的机器学习技术分别为：人脸识别、手写数字识别、垃圾邮件过滤和亚马逊公司的产品推荐 上面提到的所有场景，都有机器学习软件的存在。
1.4K60发布于 2018-02-27 - 来自专栏后端码匠
【机器学习】机器学习-概述
---- 简单的一句话：让机器从数据中学习，进而得到一个更加符合现实规律的模型，通过对模型的使用使得机器比以往表现的更好，这就是机器学习。 对比于数据挖掘从大数据之间找相互特性而言，机器学习更加注重算法的设计，让计算机能够白动地从数据中“学习”规律，并利用规律对未知数据进行预测。 机器学习可以分为以下五个大类： (1)监督学习：从给定的训练数据集中学习出-一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是输人和输出，也可以说是特征和目标。 一句话说明机器学习（MachineLearning） 简单的一句话：让机器从数据中学习，进而得到一个更加符合现实规律的模型，通过对模型的使用使得机器比以往表现的更好，这就是机器学习。 学习：在数据的基础上让机器重复执行一套特定的步骤（学习算法）进行事物特征的萃取，得到一个更加逼近于现实的描述（这个描述是一个模型它的本身可能就是一个函数）。
1.4K21发布于 2021-09-02 - 来自专栏数据科学与人工智能
【机器学习】读懂机器学习
在本篇文章中，我将对机器学习做个概要的介绍。本文的目的是能让即便完全不了解机器学习的人也能了解机器学习，并且上手相关的实践。 本文的主要目录如下： 1.一个故事说明什么是机器学习 2.机器学习的定义 3.机器学习的范围 4.机器学习的方法 5.机器学习的应用–大数据 6.机器学习的子类–深度学习 7.机器学习的父类–人工智能 而在机器学习领域，根据著名的一个实验，有效的证实了机器学习界一个理论：即机器学习模型的数据越多，机器学习的预测的效率就越好。 7.机器学习的父类–人工智能 人工智能是机器学习的父类。深度学习则是机器学习的子类。 介绍中首先是机器学习的概念与定义，然后是机器学习的相关学科，机器学习中包含的各类学习算法，接着介绍机器学习与大数据的关系，机器学习的新子类深度学习，最后探讨了一下机器学习与人工智能发展的联系以及机器学习与潜意识的关联
1.5K91发布于 2018-02-26 - 来自专栏学习
机器学习——量子机器学习
量子机器学习: 未来的机器学习方法 量子计算和机器学习的结合为计算科学带来了前所未有的前景。量子机器学习(QML)正在迅速发展，目标是利用量子计算的优势来处理传统计算机无法高效解决的问题。 本文将深入探讨量子机器学习的基本概念、量子计算的关键技术、具体的量子算法，以及如何结合现有的机器学习方法，以推动对未来量子优势的探索。 1. 机器学习与量子计算的结合 2.1 量子机器学习的定义 量子机器学习是将量子计算的技术应用于机器学习模型中，以期获得更高效的计算能力和更强的学习性能。 量子计算与机器学习的结合，可以分为以下几种形式： 经典机器学习加速：使用量子算法加速经典机器学习中的计算任务。 量子特征提取：使用量子态的特征提取来提高模型性能。 对于有兴趣深入量子机器学习的读者，可以进一步学习 Qiskit、PennyLane 等工具，亲自实践量子机器学习的算法实现。
1.2K10编辑于 2024-10-14 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法之旅
在理解了我们需要解决的机器学习问题之后，我们可以思考一下我们需要收集什么数据以及我们可以用什么算法。本文我们会过一遍最流行的机器学习算法，大致了解哪些方法可用，很有帮助。 机器学习领域有很多算法，然后每种算法又有很多延伸，所以对于一个特定问题，如何确定一个正确的算法是很困难的。本文中我想给你们两种方法来归纳在现实中会遇到的算法。 学习方式 根据如何处理经验、环境或者任何我们称之为输入的数据，算法分为不同种类。机器学习和人工智能课本通常先考虑算法可以适应的学习方式。 这里只讨论几个主要的学习风格或学习模型，并且有几个基本的例子。 问题例子是机器人控制，算法例子包括Q-learning以及Temporal difference learning。 当整合数据模拟商业决策时，大多数会用到监督学习和无监督学习的方法。 当下一个热门话题是半监督学习，比如图像分类问题，这中问题中有一个大的数据库，但是只有一小部分图片做了标记。增强学习多半还是用在机器人控制和其他控制系统的开发上。
1.1K90发布于 2018-02-27 - 来自专栏智能大数据分析
【机器学习基础】初探机器学习
学习，即机器学习（machine learning），则是机器通过经验数据，对任务目标做出优化的自动化过程，例如人脸识别、语音识别等。 过去十年间，人工智能的主要进展在机器学习技术方面，以至于甚至分不清人工智能和机器学习之间的关系。在这里，重点讨论人工智能中服务预测任务的机器学习技术。 而支撑决策任务的机器学习技术被称为强化学习（reinforcement learning）。 二、机器学习是什么 那就究竟什么是学习呢？ 图1 传统的显式编程与机器学习的非显式编程 三、时代造就机器学习的盛行 那么机器学习技术为什么现在如此盛行呢？主要原因之一来自于时代造就！ 我们有理由相信，未来10年，机器学习技术会持续渗透到各行各业，在各类预测和决策任务场景中服务人类。 按照任务来分类，机器学习可以分为有监督学习、无监督学习和强化学习三大类。
46110编辑于 2025-01-23 - 来自专栏决胜机器学习
机器学习（一）——机器学习概述
机器学习（一）——机器学习概述 （原创内容，转载请注明来源，谢谢） 前言：近期开始学习机器学习，当前视频和书籍一起看，视频看的是吴恩达的机器学习系列课程，书籍看的《机器学习实战》。 目前是机器学习小白，希望各位有感兴趣的，可以一起开始学机器学习。大家可以多交流~~ 另外，由于工作上还是在做web服务端，因此还会经常更新对于web的学习体会~希望大家共同进步。 一、概述 机器学习是近期非常火的技术，其可以将输入的数据经过一定的处理，得到结果，具有预测、决策、统计、分类等功能，被广泛应用于各行各业。 机器学习主要分为两大类：监督学习（supervisor learning）和无监督学习（unsupervisor learning）。 四、机器学习开发步骤 机器学习应用开发，主要步骤如下： 1、收集数据 对于机器学习来说，没有数据就没有学习可言。数据可以是爬虫抓取、开源语料库、自己提供的数据源等。
1.2K100发布于 2018-03-07 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法预览
在这篇文章中，我要带大家预览一下机器学习中最热门的算法。预览主要的机器学习算法可在某种程度上给你这样的一种感觉，让你知道什么样的方法是可靠的。 一般来说，决策树运行速度快，而且结果精确，是机器学习里最大的宠儿。 下面是一些我不会在这篇文章列举出来的机器学习算法，它们用于解决特别的任务的过程，例如： 功能选择算法 算法精度评估 性能测试 我也不会列举那些用于子领域的机器学习算法，例如 这里介绍了一些通俗易懂的方法，让你能很快的学习上手。 怎样学习机器学习算法 算法是机器学习的一个大模块。这个话题我是很有兴趣的，而且之前也写了很多这方面的博客。 如何运行这些机器学习算法 有时，你需要的只是一些代码。下面这些链接可以让你明白如何运行机器学习算法，并使用常规的库来编写这些代码或者从研究者运用它们。
1.4K50发布于 2018-02-27 - 来自专栏CSDN旧文
机器学习--机器学习的分类
在无监督学习中给定的数据是和监督学习中给定的数据是不一样的。在无监督学习中给定的数据没有任何标签或者说只有同一种标签。 无监督学习与监督学习的区别 有监督学习方法必须要有训练集与测试样本。 半监督学习 半监督学习(Semi-Supervised Learning，SSL)是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。 迁移学习 随着越来越多的机器学习应用场景的出现，而现有表现比较好的监督学习需要大量的标注数据，标注数据是一项枯燥无味且花费巨大的任务，所以迁移学习受到越来越多的关注。 迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务，虽然大多数机器学习算法都是为了解决单个任务而设计的，但是促进迁移学习的算法的开发是机器学习社区持续关注的话题。 迁移学习对人类来说很常见，例如，我们可能会发现学习识别苹果可能有助于识别梨，或者学习弹奏电子琴可能有助于学习钢琴。
1.1K40发布于 2020-10-28 - 来自专栏AI智慧空间
【机器学习基础】机器学习介绍
机器学习介绍 机器学习是一个跟“大数据”一样近几年格外火的词汇。而机器学习究竟是一个什么过程或者行为呢？接下来，让我们来看看什么是机器学习。 1.什么是机器学习 机器学习是人工智能的一个分支。 人工智能的研究是从以“推理”为重点到以“知识”为重点，再到以“学习”为重点，一条自然、清晰的脉络。机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。 机器学习算法是一类从数据中自动分析获得规律（模型），并利用规律对未知数据进行预测的算法 2.机器学习的分类 机器学习主要分为三大类：监督学习，无监督学习，强化学习。 分类（classification）：分类是机器学习中使用地最多的一大类算法，可以将实例数据划分到合适的类别中。 Alphago就是强化学习在现实应用的成功案例之一，通过“深度学习”的训练，Alphago击败了多位围棋世界冠军 3.机器学习常见算法 1.线性回归 (Linear Regression) 2.
1.6K41发布于 2020-07-06
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