- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习算法与Python学习
机器学习(6) -- SVM
SVMs 8.1 Optimization Objection 支持向量机(Support Vector Machine: SVM)是一种非常有用的监督式机器学习算法。 注1：事实上，上述公式中的Cost0与Cost1函数是一种称为hinge损失的替代损失(surrogate loss)函数，其他常见的替代损失函数有指数损失和对率损失，具体参见《机器学习》P129 周志华
1K50发布于 2018-04-04 - 来自专栏WD学习记录
机器学习 学习笔记（6） Logistic 回归
线性模型可以进行回归学习，但是若要做分类任务该怎么办，只需要找一个单调可微函数将分类任务的真实标记y与线性回归的预测值联系起来。 # 代码以及数据集源自于机器学习实战，见https://github.com/AnnDWang/MachineLearning/blob/master/thirdbook/ch5/logRegres.py 参考： 《机器学习》 《统计学习方法》 《机器学习实战》 逻辑回归(logistic regression)的本质——极大似然估计
76620发布于 2018-09-03 - 来自专栏python3
Python机器学习:6本机器学习书籍推
下载地址： https://pan.baidu.com/s/1mJ1JmjJhVUb81umSwG-xug 提取码：6xiw 2.《神经网络与机器学习（第3版）》 ? 《Python机器学习-预测分析核心算法》 ? Python机器学习-预测分析核心算法 书籍介绍： 在学习和研究机器学习的时候，面临令人眼花缭乱的算法，机器学习新手往往会不知所措。 《Python机器学习基础教程》 ? Python机器学习基础教程 书籍介绍： 《Python机器学习基础教程》是机器学习入门书，以Python语言介绍。 《图解机器学习》 ? 图解机器学习 书籍介绍： 《图解机器学习》用丰富的图示，从最小二乘法出发，对基于最小二乘法实现的各种机器学习算法进行了详细的介绍。 下载地址： https://pan.baidu.com/s/1NSGEPBlfYcr8jJilyEGFkg 6.《白话大数据与机器学习》 ?
1.8K10发布于 2020-01-16 - 来自专栏SuperFeng
机器学习系列 6：正规方程
还会不会有其他方法求参数呢？答案是有的，可以用正规方程（Normal Equation）去求参数。
1.1K10发布于 2019-09-26 - 来自专栏云深之无迹
Julia机器学习核心编程.6
本例创建了一个具有6个元素的数组。 ? 前面我们讨论的数组元素的类型是相同的。 创建具有不同类型元素的数组 如下代码创建了一个具有不同类型元素的数组，但是一些元素会自动提升它的类型。 ? 假设有一个带有浮点数的数据集： julia> x = [1.1, 2.2, 3.3, 4.4, 5.5, 6.6] 这将创建一个具有6个元素的数组{Float64,1}。 DataArrays的使用 01 julia> using DataArrays 02 julia> x = DataArray([1.1, 2.2, 3.3, 4.4, 5.5, 6.6]) 这将创建一个具有6个元素的数组 01 julia> x[1] = NA 02 NA 03 julia> x 04 6-element DataArrays.DataArray{Float64,1}: 05 NA 06 2.2 julia> true || x 02 true 03 julia> true && x[1] 04 NA 05 julia> mean(x) 06 NA 07 julia> mean(x[2:6]
3K20发布于 2020-08-18 - 来自专栏人工智能
6种机器学习算法要点
本文旨在为人们提供一些机器学习算法，这些算法的目标是获取关于重要机器学习概念的知识，同时使用免费提供的材料和资源。当然选择有很多，但哪一个是最好的？哪两个互相补充？什么是使用选定资源的最佳顺序？ 通用的机器学习算法包括： ·决策树 ·支持向量机 ·朴素贝叶斯 ·邻近算法 ·K-means聚类算法 ·随机森林 下面是使用Python和R代码简要解释的常见机器学习算法。 决策树 这是一种主要用于分类问题的监督学习算法。令人惊讶的是，它适用于分类问题的监督学习算法。在这个算法中，我们把种群分成两个或更多的集合。
1.2K90发布于 2018-01-09 - 来自专栏AI机器学习与深度学习算法
机器学习入门 6-6 随机梯度下降法
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍批量梯度下降法的弊端进而引出随机梯度下降法，并通过代码构建随机梯度下降法。 在具体实现的时候，有一个非常重要的技巧，就是在随机梯度下降法过程中，学习率的取值变的很重要，这是因为在随机梯度下降法的过程，如果学习率一直取一个固定值的话，很有可能在一定程度上，随机梯度下降法已经来到最小值中心左右的位置 ，但是由于随机的过程不够好，学习率η又是一个固定值，慢慢的可能就会跳出最小值所在的位置，所以在实际中，我们希望在随机梯度下降法中，学习率是逐渐递减的。 我们可以设计一个函数来让学习率η值随着随机梯度下降法循环次数的增加相应的学习率η值越来越小，具体的函数如下图右部分所示，对三种学习率递减函数进行标号： ? 式子1。 不需要传入学习率η，此时学习率η值是由前面介绍学习率衰减函数计算得到的。
1.1K00发布于 2019-11-13 - 来自专栏小鹏的专栏
机器学习-6：DeepLN之CNN源码
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.
45030编辑于 2022-05-09 - 来自专栏机器学习算法工程师
《机器学习》笔记-支持向量机（6）
作者：刘才权 编辑：田 旭 写在最前面 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。 6 核方法 根据“表示定理”，对于一般的损失函数和正则化项（不要求是凸函数），优化问题的最优解都可表示为核函数的线性组合。这显示出核函数的巨大威力。
86670发布于 2018-03-30 - 来自专栏MiningAlgorithms
机器学习6：集成学习--boosting（AdaBoost）与GBDT
从图中可以看出，Boosting算法的工作机制是首先从训练集用初始权重训练出一个弱学习器1，根据弱学习的学习误差率表现来更新训练样本的权重，使得之前弱学习器1学习误差率高的训练样本点的权重变高，使得这些误差率高的点在后面的弱学习器 然后基于调整权重后的训练集来训练弱学习器2.，如此重复进行，直到弱学习器数达到事先指定的数目T，最终将这T个弱学习器通过集合策略进行整合，得到最终的强学习器。 比如A的真实年龄是18岁，但第一棵树的预测年龄是12岁，差了6岁，即残差为6岁。 那么在第二棵树里我们把A的年龄设为6岁去学习，如果第二棵树真的能把A分到6岁的叶子节点，那累加两棵树的结论就是A的真实年龄；如果第二棵树的结论是5岁，则A仍然存在1岁的残差，第三棵树里A的年龄就变成1岁 ：1，加载数据；2，特征工程；3，构建一个调用模型的函数；4，训练模型；5，使用模型进行测试集样本预测； 6，保存预测结果。
2.5K10发布于 2019-08-08 - 来自专栏机器学习原理
机器学习（6）——决策树前言：
前言： 通过第前面的学习介绍了机器学习回归模型创建的流程，并且知道了机器学习要做的事情是找到目标函数，优化它，通过每次迭代都使目标函数值最小，最优解就是目标函数最小化时侯对应的模型参数。 决策树优化 一般情况下决策树优化有两种方法分别是剪枝优化和随机森林，这里主要介绍剪枝优化，在后面的集成学习中会介绍随机森林。 第一，该数据是机器学习的经典数据集，是sklearn学习文档的指定数据集，第二，该数据集能够体现决策树深度对决策树过拟合的影响。 决策树模型构建流程 1. print(trainingSet) # print(textSet) trainingSet,textSet=loadDataset("irisdata.csv",0.7) 所以机器学习代码部分 决策树深度对模型的影响 分析：从图中可以看书，随着树的深度的加深，正确率会提高，达到临界值之后（树的深度为6），训练集正确率达到最高，而测试集正确率开始下降，多以决策树的深度越深就会出现过拟合。
1.5K100发布于 2018-04-27 - 来自专栏HyperAI超神经
回顾 2018 ：最 6 的 6 个机器学习开源项目
过去的 2018 年，人工智能和机器学习都得到了蓬勃发展，在医疗保健、金融业、语音识别、增强现实等领域， 都能看到机器学习在其中「大展拳脚」。 本文将回顾了去年最实用的六个机器学习项目，文中会附上他们的 GitHub 地址，方便大家观摩参阅。 fastai ? GitHub 地址：https://github.com/jhfjhfj1/autokeras Auto-Keras 是一个用于自动机器学习（ AutoML ）的开源软件库。 AutoML 的终极目的，是提供无门槛的访问工具，让没有数据科学或机器学习背景的人，能轻松的访问和使用 ML 。 Auto-Keras 则在这个方面迈出了一步，它能提供自动搜索深度学习模型和超参数的功能。 Dopamine ?
61310发布于 2019-11-30 - 来自专栏机器学习初学者精选文章
【机器学习基础】数学推导+纯Python实现机器学习算法6：感知机
Python机器学习算法实现 Author：louwill 今天笔者要实现的机器学习算法是感知机(perceptron)。 感知机旨在学习能够将输入数据划分为+1/-1的线性分离超平面，所以说整体而言感知机是一种线性模型。 w和b为感知机模型参数，也是感知机要学习的东西。w和b构成的线性方程wx+b=0极为线性分离超平面。 ? 假设数据是线性可分的，当然有且仅在数据线性可分的情况下，感知机才能奏效。
93220发布于 2020-06-21 - 来自专栏信数据得永生
使用 TensorFlow 构建机器学习项目：6~10
八、深度神经网络 在本章中，我们将回顾机器学习，深度神经网络中最先进的技术，也是研究最多的领域之一。 它的大量固有并行度非常适合于高维矩阵乘法以及机器学习模型训练和运行所需的其他运算。 尽管如此，即使拥有真正强大的计算节点，也存在许多任务，即使是最强大的单个服务器也无法应对。 在此示例中，我们将执行一个非常简单的任务，尽管如此，它仍将在机器学习过程中采取所有必需的步骤。 尽管在 GPU 上机器学习任务的执行速度要快得多，但是两个安装选项都可用： CPU：它将在机器处理核心的所有处理单元中并行工作。 以简化您对机器学习解决方案进行编程的方式 Linux 安装 首先，我们应该放弃免责声明。
2.4K20编辑于 2023-04-23 - 来自专栏机器学习初学者精选文章
(视频+图文)机器学习入门系列-第6章 机器学习库Scikit-learn
机器学习入门系列，黄海广老师主讲。本站将持续更新，ppt、代码、课后习题见文末。 本系列的目录 01.引言 02.回归 03.逻辑回归 04.朴素贝叶斯 05.机器学习实践 06.机器学习库Scikit-learn 07.KNN算法 08.决策树 09.集成学习 10.人工神经网络 11.支持向量机 12.聚类 13.降维 14.关联规则 15.机器学习项目流程 本章目录 6.1 Scikit-learn概述 6.2 Scikit-learn的主要用法 6.3 Scikit-learn
61740编辑于 2022-02-23 - 来自专栏大数据文摘
6个机器学习可解释性框架！
SHAP SHapley Additive explanation (SHAP)是一种解释任何机器学习模型输出的博弈论方法。 它可以帮助解释机器学习模型正在学习什么以及为什么他们以某种方式预测。Lime目前支持对表格的数据，文本分类器和图像分类器的解释。 知道为什么模型会以这种方式进行预测对于调整算法是至关重要的。 使用InterpretML构建的局部解释交互式图 使用InterpretML构建的全局解释图 ELI5 ELI5是一个可以帮助调试机器学习分类器并解释它们的预测的Python库。 它提供全方位可解释的人工智能和可解释的机器学习能力来解决实践中机器学习模型在产生中需要判断的几个问题。 以下是OmniXAI提供的与其他类似库的对比： 最后，下面是这6个框架的官方地址： https://shap.readthedocs.io/en/latest/index.html https://github.com
2.6K40编辑于 2022-10-10 - 来自专栏信数据得永生
Python 机器人学习手册：6~10
我们还讨论了视觉传感器在机器人导航中的作用，流行的 SLAM 技术及其在 ROS 中的应用。 在下一章中，我们将看到机器人的完整接口，并学习如何使用 Chefbot 进行自主导航。 在本章中，我们将学习如何使用这些零件组装该机器人。 我们还将研究该机器人与 Tiva-C LaunchPad 的传感器和其他电子组件的最终接口。 连接后，我们将学习如何将机器人与 PC 连接，以及如何在实际机器人中使用 SLAM 和 AMCL 进行自主导航。 在本章的第一部分“构建 ChefBot 硬件”中，我们将学习如何使用机器人的身体部位和电子组件组装 ChefBot 硬件。 构建 ChefBot 硬件 需要配置的机器人的第一部分是基板。 第 6 章，执行器和传感器与机器人控制器的接口 开关电路，用于控制机器人中电机的速度。 可以检测车轮旋转速度和方向的传感器。
4.2K20编辑于 2023-04-27 - 来自专栏音视频技术学习笔记
机器学习作业6-支持向量机
源码实现的比较详细，欠缺的是没有画出决策边界，参考另一个大牛的代码，加上了决策边界的绘制
39620发布于 2021-03-16 - 来自专栏数据派THU
6个机器学习可解释性框架！
来源：DeepHub IMBA本文约1700字，建议阅读5分钟在本文中，将介绍6个用于机器学习可解释性的Python框架。 SHAP SHapley Additive explanation (SHAP)是一种解释任何机器学习模型输出的博弈论方法。 它可以帮助解释机器学习模型正在学习什么以及为什么他们以某种方式预测。Lime目前支持对表格的数据，文本分类器和图像分类器的解释。 知道为什么模型会以这种方式进行预测对于调整算法是至关重要的。 使用InterpretML构建的局部解释交互式图 使用InterpretML构建的全局解释图 ELI5 ELI5是一个可以帮助调试机器学习分类器并解释它们的预测的Python库。 它提供全方位可解释的人工智能和可解释的机器学习能力来解决实践中机器学习模型在产生中需要判断的几个问题。
90720编辑于 2022-10-09 - 来自专栏数据科学（冷冻工厂）
297个机器学习彩图知识点（6）
导读 本系列将持续更新20个机器学习的知识点，欢迎关注下方公众号，获取更多学习资料。 1. Leaky ReLU 2. 学习曲线 3. 学习 4. 学习速率 5. 线性激活函数 6.
25820编辑于 2023-02-27
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