- 综合排序
- 最热优先
- 最新优先
- 来自专栏智能算法
机器视觉算法(第8期)----OpenCV中事半功倍的工具函数
上期我们一起学习了OpenCV中很重要的几个辅助对象， 机器视觉算法(第7期)----OpenCV中很重要的辅助对象 今天我们主要学习一下OpenCV中几个让人事半功倍的工具函数。
2.5K41发布于 2019-05-07 - 来自专栏数据科学与人工智能
【算法】基础机器学习算法
笔者邀请您，先思考： 1 您熟悉那些学习算法？ 2 您应用那些机器学习算法？ 本篇内容主要是面向机器学习初学者,介绍常见的机器学习算法，当然,欢迎同行交流。 ? 哲学要回答的基本问题是从哪里来、我是谁、到哪里去，寻找答案的过程或许可以借鉴机器学习的套路：组织数据->挖掘知识->预测未来。 本篇重点是机器学习算法的介绍，可以分为监督学习和无监督学习两大类。 ? 无监督学习算法很多，最近几年业界比较关注主题模型，LSA->PLSA->LDA为主题模型三个发展阶段的典型算法，它们主要是建模假设条件上存在差异。 介绍了这么多机器学习基础算法，说一说评价模型优劣的基本准则。
58240发布于 2018-07-30 - 来自专栏DeepHub IMBA
8个常见的机器学习算法的计算复杂度总结
计算的复杂度是一个特定算法在运行时所消耗的计算资源(时间和空间)的度量。 计算复杂度又分为两类: 1、时间复杂度 时间复杂度不是测量一个算法或一段代码在某个机器或者条件下运行所花费的时间。 时间复杂度一般指时间复杂性，时间复杂度是一个函数，它定性描述该算法的运行时间，允许我们在不运行它们的情况下比较不同的算法。 例如，带有O(n)的算法总是比O(n²)表现得更好，因为它的增长率小于O(n²)。 2、空间复杂度 就像时间复杂度是一个函数一样，空间复杂度也是如此。 维基百科将空间复杂度定义为： 算法或计算机程序的空间复杂度是解决计算问题实例所需的存储空间量，以特征数量作为输入的函数。 下面我们整理了一些常见的机器学习算法的计算复杂度。 预测时间复杂度：O(n*f+k*f) 运行时空间复杂度：O(n*f) kd-tree： 训练时间复杂度：O(f*n*log(n)) 预测时间复杂度：O(k*log(n)) 运行时空间复杂度：O(n*f) 8、
90420编辑于 2022-11-11 - 来自专栏数据派THU
8个常见的机器学习算法的计算复杂度总结
来源：DeepHub IMBA本文约1000字，建议阅读6分钟本文为你整理了一些常见的机器学习算法的计算复杂度。 计算的复杂度是一个特定算法在运行时所消耗的计算资源（时间和空间）的度量。 计算复杂度又分为两类： 一、时间复杂度 时间复杂度不是测量一个算法或一段代码在某个机器或者条件下运行所花费的时间。 时间复杂度一般指时间复杂性，时间复杂度是一个函数，它定性描述该算法的运行时间，允许我们在不运行它们的情况下比较不同的算法。 维基百科将空间复杂度定义为： 算法或计算机程序的空间复杂度是解决计算问题实例所需的存储空间量，以特征数量作为输入的函数。 下面我们整理了一些常见的机器学习算法的计算复杂度。 1. 预测时间复杂度：O(n*f+k*f) 运行时空间复杂度：O(n*f) kd-tree： 训练时间复杂度：O(f*n*log(n)) 预测时间复杂度：O(k*log(n)) 运行时空间复杂度：O(n*f) 8.
57130编辑于 2022-08-29 - 来自专栏生信小驿站
机器学习算法①
机器学习算法 广泛地说，有三种类型的机器学习算法。 1.监督学习 这个算法由一个目标/结果变量（或因变量）组成，这个变量可以从一组给定的预测变量（独立变量）中预测出来。 2.无监督学习 在这个算法中，我们没有任何目标或结果变量来预测/估计。 用于不同群体的群体聚类，广泛用于不同群体的消费者细分进行具体干预。 无监督学习的例子：Apriori算法，K-means。 3.强化学习： 使用这种算法，机器被训练做出特定的决定。 它是这样工作的：机器暴露在一个环境中，它使用反复试验不断地训练自己。 这台机器从过去的经验中学习，并试图捕捉最好的知识，做出准确的业务决策。 强化学习实例：马尔可夫决策过程 这里是常用的机器学习算法列表。 这些算法可以应用于几乎所有的数据问题： 线性回归 Logistic回归 决策树 SVM 朴素贝叶斯 KNN K均值 随机森林 维度降低算法 梯度提升算法 GBM XGBoost
49120发布于 2018-08-27 - 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。 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。 算法相似性 算法基本上从功能或者形式上来分类。比如，基于树的算法，神经网络算法。这是一个很有用的分类方式，但并不完美。 正如机器学习算法本身没有完美的模型一样，算法的分类方法也没有完美的。 在这一部分我列出了我认为最直观的方法归类的算法。我并没有穷尽算法或者分类方法，但是我想对于让读者有一个大致了解很有帮助。 其他资源 这趟机器学习算法之旅意在让你对有什么算法和关联算法的一些工具给你一个总体了解。 下面是一些其他资源， 请不要觉得太多，了解越多算法对你越有好处，但是对某些算法有深层次的了解也会很有用。
97790发布于 2018-02-27 - 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。 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。 算法相似性 算法基本上从功能或者形式上来分类。比如，基于树的算法，神经网络算法。这是一个很有用的分类方式，但并不完美。 正如机器学习算法本身没有完美的模型一样，算法的分类方法也没有完美的。 在这一部分我列出了我认为最直观的方法归类的算法。我并没有穷尽算法或者分类方法，但是我想对于让读者有一个大致了解很有帮助。 其他资源 这趟机器学习算法之旅意在让你对有什么算法和关联算法的一些工具给你一个总体了解。 下面是一些其他资源， 请不要觉得太多，了解越多算法对你越有好处，但是对某些算法有深层次的了解也会很有用。
934100发布于 2018-02-27 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法总结
找工作时（IT行业），除了常见的软件开发以外，机器学习岗位也可以当作是一个选择，不少计算机方向的研究生都会接触这个，如果你的研究方向是机器学习/数据挖掘之类，且又对其非常感兴趣的话，可以考虑考虑该岗位， 毕竟在机器智能没达到人类水平之前，机器学习可以作为一种重要手段，而随着科技的不断发展，相信这方面的人才需求也会越来越大。 阿里的算法岗位很大一部分也是搞机器学习相关的。 下面是本人在找机器学习岗位工作时，总结的常见机器学习算法（主要是一些常规分类器）大概流程和主要思想，希望对大家找机器学习岗位时有点帮助。 它在被提出之初就和SVM一起被认为是泛化能力（generalization)较强的算法。近些年更因为被用于搜索排序的机器学习模型而引起大家关注。 GBDT是回归树，不是分类树。 关于EM算法可以参考Ng的cs229课程资料 或者网易公开课：斯坦福大学公开课 ：机器学习课程。 Apriori: Apriori是关联分析中比较早的一种方法，主要用来挖掘那些频繁项集合。
1.4K50发布于 2018-02-27 - 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。 回归算法 我们一般认为回归算法是在变量之间存在相互关系进行建模的算法，而且通过使用在预测值产生的误差的测量标准来使用模型进行迭代提炼。 回归方法相当于统计学的机器，它与统计机器学习关联了起来。 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 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。
1.2K50发布于 2018-02-27 - 来自专栏数据科学与人工智能
【算法】Python实现机器学习算法
2 如何用Python实现决策树系列算法？ 人生苦短，就用 Python。 在 Kaggle 最新发布的全球数据科学/机器学习现状报告中，来自 50 多个国家的 16000 多位从业者纷纷向新手们推荐 Python 语言，用以学习机器学习。 ? 那么，用Python实现出来的机器学习算法都是什么样子呢？ 营长刚好在 GitHub 上发现了东南大学研究生“Lawlite”的一个项目——机器学习算法的Python实现，下面从线性回归到反向传播算法、从SVM到K-means聚类算法，咱们一一来分析其中的Python 第二种就是人为观察选择 5、应用——图片压缩 将图片的像素分为若干类，然后用这个类代替原来的像素值 执行聚类的算法代码： # 聚类算法 def runKMeans(X,initial_centroids
2.1K80发布于 2018-04-18 - 来自专栏GiantPandaCV
机器学习算法之PCA算法
前言 在机器学习中降维是我们经常需要用到的算法，在降维的众多方法中PCA无疑是最经典的机器学习算法之一，最近准备撸一个人脸识别算法，也会频繁用到PCA，本文就带着大家一起来学习PCA算法。 前置内容 要学会PCA算法，首先需要了解矩阵分解算法。而矩阵分解算法又分为特征值分解和SVD(奇异值)分解，这两个算法的目的都是提取出一个矩阵最重要的特征。 ，整个算法的开销就过大了。 PCA算法 PCA即(Principal Component Analysis)主成分分析算法，是机器学习种应用得最广泛的数据降维算法。 参考文章 https://mp.weixin.qq.com/s/Dv51K8JETakIKe5dPBAPVg https://blog.csdn.net/program_developer/article
1.7K30发布于 2019-12-04 - 来自专栏机器学习算法与Python学习
机器学习(8) -- 降维
图10-2 一个3维到2维的例子 降维的好处很明显，它不仅可以数据减少对内存的占用，而且还可以加快学习算法的执行。 注意，降维只是减小特征量的个数(即n)而不是减小训练集的个数(即m)。 图10-6 PCA不是线性回归 分别基于上述两种目标的具体推导过程参见周志华老师的《机器学习》P230。 10.2.2 Principal Component Analysis Algorithm 基于上一节给出的结论，下面给出PCA算法。 结合PCA算法，选择K的算法总结如下： ? 这个算法效率特别低。在实际应用中，我们只需利用svd()函数，如下： ? PCA通常用来压缩数据以加快算法，减少内存使用或磁盘占用，或者用于可视化(k=2, 3)。 参考：《机器学习》 周志华
1.1K100发布于 2018-04-04 - 来自专栏Lansonli技术博客
机器学习（五）：机器学习算法分类
机器学习算法分类根据数据集组成不同，可以把机器学习算法分为：监督学习无监督学习半监督学习强化学习一、监督学习定义：输入数据是由输入特征值和目标值所组成。 有监督，无监督算法对比：三、半监督学习定义：训练集同时包含有标记样本数据和未标记样本数据。 监督学习和强化学习的对比监督学习强化学习反馈映射输出的是之间的关系，可以告诉算法什么样的输入对应着什么样的输出。输出的是给机器的反馈 reward function，即用来判断这个行为是好是坏。 反馈时间做了比较坏的选择会立刻反馈给算法。结果反馈有延时，有时候可能需要走了很多步以后才知道以前的某一步的选择是好还是坏。输入特征输入是独立同分布的。 面对的输入总是在变化，每当算法做出一个行为，它影响下一次决策的输入。
1.3K41编辑于 2023-02-17 - 来自专栏实时计算
机器学习（七）--------机器学习算法选择
使用训练集训练出 10 个模型 用 10 个模型分别对交叉验证集计算得出交叉验证误差（代价函数的值） 选取代价函数值最小的模型 用步骤 3 中选出的模型对测试集计算得出推广误差（代价函数的值） 当你运行一个学习算法时 ，如果这个算法的表现不理想，那么多半是出现两种情况： 要么是偏差比较大，要么是方差比较大。
54220发布于 2019-08-08 - 来自专栏数据科学与人工智能
【机器学习】机器学习分类算法总结
目前看到的比较全面的分类算法,总结的还不错. 主要的决策树算法有ID3、C4.5（C5.0）、CART、PUBLIC、SLIQ和SPRINT算法等。 （2）贝叶斯 贝叶斯（Bayes）分类算法是一类利用概率统计知识进行分类的算法，如朴素贝叶斯（Naive Bayes）算法。 集成学习已成为国际机器学习界的研究热点，并被称为当前机器学习四个主要研究方向之一。 集成学习是一种机器学习范式，它试图通过连续调用单个的学习算法，获得不同的基学习器，然后根据规则组合这些学习器来解决同一个问题，可以显著的提高学习系统的泛化能力。
1.3K50发布于 2018-02-26 - 来自专栏IT派
机器学习算法梳理
，毕竟在机器智能没达到人类水平之前，机器学习可以作为一种重要手段，而随着科技的不断发展，相信这方面的人才需求也会越来越大。 阿里的算法岗位很大一部分也是搞机器学习相关的。另外本人有幸签约了网易杭州研究院的深度学习算法岗位，打算从事机器学习领域至少5年。非常感谢小易收留了我！ 下面是本人在找机器学习岗位工作时，总结的常见机器学习算法（主要是一些常规分类器）大概流程和主要思想，希望对大家找机器学习岗位时有点帮助。 它在被提出之初就和SVM一起被认为是泛化能力（generalization)较强的算法。近些年更因为被用于搜索排序的机器学习模型而引起大家关注。 GBDT是回归树，不是分类树。 关于EM算法可以参考Ng的cs229课程资料或者网易公开课：斯坦福大学公开课 ：机器学习课程。 Apriori: Apriori是关联分析中比较早的一种方法，主要用来挖掘那些频繁项集合。
1.1K80发布于 2018-03-29 - 来自专栏不仅仅是python
机器学习-常用的机器学习算法
概要 主要展示常用的机器学习算法。 涵盖的算法 - 线性回归，逻辑回归，朴素贝叶斯，kNN，随机森林等。 学习使用python语言实现这些算法。 （放在后面的文章总演示每个算法的使用，本文只介绍常用的机器学习算法） ? 介绍 谷歌的自动驾驶汽车和机器人得到了很多新闻，但该公司真正的未来是机器学习，这种技术使计算机变得更聪明，更个性化。 从广义上讲，有3种类型的机器学习算法，让我们来看看每一种类型的算法。 无监督学习的例子：Apriori算法，K-means。 强化学习(Reinforcement Learning) 工作原理：使用此算法，机器经过培训，可以做出具体决策。 ） Gradient Boosting algorithms（渐变Boosting算法） GBM XGBoost LightGBM CatBoost 今天的机器学习算法介绍就到这里，接下来的文章会具体介绍每一种算法
71631发布于 2019-09-12 - 来自专栏人工智能
机器学习算法之旅
机器学习算法目录: 同样在维基百科上, 比上面的维基百科列表更有用. 它按字母顺序组织算法. CRAN任务视图: 机器学习和统计学习: R语言中每个机器学习软件包支持的所有软件包和所有算法的列表. 如何学习任何一种机器学习算法: 一个系统的方法, 你可以使用“算法描述模板”(我用这种方法来写我的第一本书)研究和理解任何机器学习算法. 如何创建机器学习算法的目标列表: 如何创建自己的机器学习算法的系统列表, 以帮助你开始研究下一个机器学习问题. 如何实现机器学习算法: 从头开始实现机器学习算法的过程和技巧和窍门. 如何运行机器学习算法 有时你只是想研究代码. 下面是一些链接, 你可以使用它们运行机器学习算法, 使用标准库对其进行编码或从头开始实现. 如何开始使用R语言中的机器学习算法: 链接到本网站上的大量代码示例, 描述R语言中的机器学习算法.
1.8K50发布于 2018-02-23 - 来自专栏企鹅号快讯
机器学习算法实战
目 录 逻辑回归算法步骤简述 选择输入函数：sigmoid函数 选择优化算法：梯度上升法 观察数据集 批梯度上升训练 随机梯度上升训练 推荐阅读时间： 10min ~ 15min 尽管对于机器学习来说 ，理论是非常重要的内容，但是持续的理论学习多少会有些审美疲劳，如果读者已经初步学习了之前介绍的关于机器学习的内容的话，那么到这篇文章出现的时候，也至少已经了解了两个机器学习中最简单的模型，“线性回归”和 首先，我们来构建一下实现逻辑回归算法的步骤： | 1、逻辑回归算法步骤简述 构建一个逻辑回归模型有以下几步： 收集数据：采用任意方法收集数据 准备数据：由于需要进行距离计算，因此我们要求数据类型为数值型 若是结构化数据格式更佳 分析数据：采用任意方法对数据进行分析 训练算法：大部分时间将用于训练，训练的目的是为了找到最佳的分类回归系数 测试算法：训练步骤完成后将对算法进行测试 使用算法：首先我们需要输入一些数据 ：Ch5 周志华著.机器学习, 清华大学出版社 李航著.统计学习方法, 清华大学出版社
84750发布于 2018-02-08 - 来自专栏leland的专栏
机器学习算法简介
导语： 本文是对机器学习算法的一个概览，以及个人的学习小结。通过阅读本文，可以快速地对机器学习算法有一个比较清晰的了解。 引言 本文是对机器学习算法的一个概览，以及个人的学习小结。通过阅读本文，可以快速地对机器学习算法有一个比较清晰的了解。 本文主要分为三部分，第一部分为异常检测算法的介绍，个人感觉这类算法对监控类系统是很有借鉴意义的；第二部分为机器学习的几个常见算法简介；第三部分为深度学习及强化学习的介绍。最后会有本人的一个小结。 2 机器学习常见算法 简单介绍机器学习的几个常见算法：k近邻、k-means聚类、决策树、朴素贝叶斯分类器、线性回归、逻辑回归、隐马尔可夫模型及支持向量机。遇到讲得不好的地方建议直接跳过。 （在无监督学习中，主要任务是找到数据本身的规律而不是映射） 总结一般的机器学习做法是：根据算法的适用场景，挑选适合的算法模型，确定目标函数，选择合适的优化算法，通过迭代逼近最优值，从而确定模型的参数。
3.3K20发布于 2017-11-08
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