- 综合排序
- 最热优先
- 最新优先
- 来自专栏运维开发王义杰
如何学习算法
学习算法是计算机科学和编程的重要部分，它能帮助我们更有效地解决问题并提高代码的性能。以下是一些学习算法的建议： 1. 理解基本概念：首先，需要理解算法的基本概念，包括时间复杂度和空间复杂度，这可以帮助我们理解算法的效率。 2. 学习基本的数据结构：数据结构是算法的基础，如数组，链表，堆栈，队列，散列表，树，图等。 学习基本的算法：然后，我们可以开始学习基本的算法，包括排序算法（如冒泡排序，选择排序，插入排序，快速排序等），查找算法（如二分查找），图算法（如深度优先搜索和广度优先搜索），动态规划等。 4. 做练习题：理论学习是重要的，但实践是真正理解算法的关键。我们可以在在线编程平台（如LeetCode，HackerRank等）上做一些算法题。 5. 持续学习和反思：算法是一个深入的主题，需要持续学习和反思。不要担心进展的速度，重要的是理解和掌握。
40310编辑于 2023-08-16 - 来自专栏文章翻译
如何实现机器学习算法
在代码中实现一个机器学习算法可以教你很多关于算法和它的工作原理。 在这篇文章中，您将学习如何有效地实现机器学习算法，以及如何最大限度地从这些项目中学习。 算法理解 实现一个机器学习算法将给你一个关于算法如何工作的深刻和实际的理解。这些知识还可以帮助您对算法的数学描述深化理解，即将向量和矩阵看作是数组，以及对这些结构进行转换的计算直觉。 您正在进行有针对性的研究，并学习如何阅读和实际使用学术出版物。 流程 你能跟着一个流程走，这个流程可以来加速你的学习能力和从零开始手动实现机器学习算法的能力。 程序员（比如数学家）在抽象方面有着独特的技能，你可以看到算法是如何被应用到更一般的一类问题或其他问题的。 限制 你可以通过动手实现机器学习算法学到很多东西，但是也要记住一些缺点。 在考虑如何将其改变为编程不够优雅，但在计算上更高效之前，您可能会发现从较慢直观的复杂算法实现开始是有益的。 示例项目 一些算法比其他算法更容易理解。
82190发布于 2018-02-08 如何实现机器学习算法
在代码中实现一个机器学习的算法能够使你更加了解该算法以及其工作机理。 在这篇文章中，你将学习如何有效地实现机器学习方面的算法，以及最大限度地从中有所收获。 实现机器学习算法的好处 对于如何运用机器学习这一问题，你可以将实现机器学习算法作为一种解决方案。而且你还能够挖掘算法实现方面的相关基础知识以及技能。 算法的理解 实现一个机器学习算法后，你将会对算法是如何工作有一个深刻且实际的印象。通过思考如何将向量和矩阵转化为数组以及这些转化背后的计算直觉，这些知识还能够帮助你理解算法数学描述的内在。 你不得不查找以及阅读算法的多个规范和正式描述。你也可能找到并编写代码来检查算法的其他实现，以验证你的理解。你正在进行有针对性的研究，并学习如何阅读和实际运用上关于该研究的出版物。 对代码进行良好注释并确保提供有关如何构建和使用它的说明。这个项目能够为你正在学习的技能提供市场，甚至可以会为其他正准备进入机器学习领域的人提供灵感和帮助。
1K100发布于 2018-02-02如何研究机器学习算法
算法是机器学习领域的重要组成部分。 您需要了解哪些算法在那里，以及如何有效地使用它们。 简化这一知识的简单方法是查看已知的算法，并对其进行研究。 你可以描述一个算法如何作为一个数学方法，但要理解它的行为在实践中，你必须研究它的行动。 您可以通过对算法进行实验，将其应用于很多问题，并提炼出其行为方式，以及如何在面对不同的问题类型时揭露和利用这些行为。 或者，您可以采取的捷径是深入了解其他人在您之前了解的算法。 4.用法启发式来源 在实际应用中研究机器学习算法时，使用启发式算法和最佳实践可能是您感兴趣的关键信息类型。 使用启发式源提供了一个关于如何在实践中使用给定的机器学习算法的专家描述。 这些资源是由专家或半专家在图书馆和工具中作为例子提供机器学习算法的实现。样本可能会根据许可或开源许可证发布，供您学习。 这些资源是很好的想法如何给机器学习算法可以被转换成一个可执行和可用的系统。
1.8K70发布于 2018-02-23- 来自专栏CSDN技术头条
如何选择机器学习算法
如何针对某个分类问题决定使用何种机器学习算法？当然，如果你真心在乎准确率，最好的途径就是测试一大堆各式各样的算法（同时确保在每个算法上也测试不同的参数），最后选择在交叉验证中表现最好的。 其主要缺点是它学习不了特征间的交互关系（比方说，它学习不了你虽然喜欢甄子丹和姜文的电影，却讨厌他们共同出演的电影《关云长》的情况）。 与决策树与支持向量机相比，你还会得到一个不错的概率解释，你甚至可以轻松地利用新数据来更新模型（使用在线梯度下降算法）。 它的一个缺点就是不支持在线学习，于是在新样本到来后，决策树需要全部重建。另一个缺点是容易过拟合，但这也就是诸如随机森林（或提升树）之类的集成方法的切入点。 尽管如此，回想一下，好的数据却要优于好的算法，设计优良特征是大有裨益的。假如你有一个超大数据集，那么无论你使用哪种算法可能对分类性能都没太大影响（此时就根据速度和易用性来进行抉择）。
743100发布于 2018-02-09 - 来自专栏Android 技术栈
如何学习数据结构与算法
什么是算法？ 从广义上讲，数据结构就是指一组数据的存储结构。算法就是操作数据的一组方法。 从狭义上讲，也就是我们专栏要讲的，是指某些著名的数据结构和算法，比如队列、栈、堆、二分查找、动态规划等。 数据结构和算法解决的是如何更省、更快地存储和处理数据的问题。 10个算法： 递归、排序、二分查找、搜索、哈希算法、贪心算法、分治算法、回溯算法、动态规划、字符串匹配算法。 学习技巧： 边学边练，适度刷题 多问、多思考、多互动 打怪升级学习法 我们在枯燥的学习过程中，也可以给自己设立一个切实可行的目标 知识需要沉淀，不要想试图一下子掌握所有 ----
51150发布于 2019-04-19 - 来自专栏新智元
AI算法如何学习写作政治演讲？
该机器已经学会如何写作与真实演讲极其相似的政治演讲稿。 这个方法在原理上很直白。Kassarnig用了53次美国国会议员讨论会中将近4000个政治演讲片段数据集来训练机器学习算法生成演讲。 当然，如何分析这些数据库才是重点。尝试了很多技术之后，Kassarnig选定了一个方法，该方法基于n元短语模型（n-grams），n个词汇或短语的序列。 Kassarnig以告诉算法它应该写哪种演讲作为开始——是为民主党还是为共和党而写。接着这个算法会挖掘该类别演讲的6元短语数据库来找到这类演讲中所有被用作开头的5元词语。 这个系统应该是这样运行的，破产法庭通过评估包括收入、资产、以及债务在内的众多因素来决定哪些债务可以被偿还、消费者能够如何重新恢复元气。请维护他们的成长并给予他们机会。请通过这项法律吧！” 他说，也许可能是因为想要利用该算法的不择手段的政治家太稀少了吧（咳）。 然而，这种算法可被用于生成其他类型的文本。
1.2K50发布于 2018-03-14 - 来自专栏PPV课数据科学社区
如何选择Microsoft Azure机器学习算法
编者按：机器学习的算法很多，如何选择一直是初学者的一个痛点。本文给出了机器学习算法选择的方法和实例，不仅适用于Microsoft Azure框架，同样可以应用于其他场合。 这取决于算法上的数学知识如何转换为您正在使用的计算机的指令。这取决于你有多少时间。在尝试之前，即使是最有经验的数据科学家也不知道哪种算法的性能最好。 1、机器学习算法速查卡 Microsoft Azure机器学习算法速查卡可以帮助您从Microsoft Azure机器学习算法库中为您的预测分析解决方案选择正确的机器学习算法。 本文将向您介绍如何使用它。 如何使用速查卡 用标签“For <path label> use <algorithm>”读取图表上的路径和算法。
1.3K60发布于 2018-04-24 - 来自专栏决策智能与机器学习
解读技术 |学习率及其如何改善深度学习算法
这篇文章主要是介绍我对以下问题的理解： （1）什么是学习率（learning Rate）?它的意义是什么？ （2）如何系统的达到一个好的学习率？ （3）为什么在模型训练过程中要改变学习率？ 在实际应用中，学习率应设置在拐点偏左一点，如图4中，可以设为0.001至0.01。 ? 图4 学习率（对数坐标） 如何开始应用上述方法 如今，该方法可以作为fast.ai工具包的一个函数进行调用。 接下来，我们来学习如何应用学习率来提高模型的性能。 经典方法 通常，当我们设置好学习率，并开始训练模型后，只需要等待学习率不断减小，直到模型最终收敛。 比如，在解决图像分类问题时，学员会学习如何使用已训练模型（如VGG或Resnet50），并将其与任一图像数据集连接，用于解决你想预测的问题。 以上的几个步骤中，步骤2、5和7都是有关学习率的。步骤2其实就是我们前面讲到的，如何在训练模型前找到最佳的学习率。
1.5K30发布于 2020-08-04 - 来自专栏技术银河
如何高效学习数据结构与算法《学习笔记》
前言 本文是个人基于覃超老师的《算法训练营》的学习笔记，此笔记的内容都是学习后的个人记录、个人总结、理解和思想。仅供参考学习。 所以小时不学算法，长大掉头发。 这系列的《算法学习笔记》，与大家一起重温或者学习数据结构与算法。 ✨ 如何系统化学习算法 深入到精通一门知识的我们都需要一个系统化的学习方法，如果这门知识越是有难度，前期就越是枯燥无味，或者甚至觉得很困难。 通过系统化学习一门知识； 最高效和持续的学习算法就是通过系统化的学习； 这里推荐大家，真的想学好一个技术，最好的方法就是找对老师，找对课程，找对人； 如何攻破庞大的知识体系变成编程职业高手 切碎知识点与建立脉络 没有闯过这些关卡的童鞋，无论前端能力如何，这个可以锻炼我们自己，也可以深入知道我们自己的前端水平和差距。想学习前端的童鞋可以从零开始学习，一起排除困难共同打开前端大门！ ?
90431发布于 2020-10-29 - 来自专栏机器之心
深度 | 学习如何学习的算法：简述元学习研究方向现状
选自TowardsDataScience 作者：Cody Marie Wild 机器之心编译 参与：李诗萌、李泽南 要想实现足够聪明的人工智能，算法必须学会如何学习。 元学习的问题在于「我该如何建立一个可以很快学习新任务的模型」，而单样本学习的问题在于「我该如何建立一个在看过一类的一个样本后，就能学会该如何将这一类分出来的模型」。 这些参数就像是学习率、动量以及权重之于自适应学习率算法。我们在此沿着修改学习算法本身的轨道修改参数，但是有局限性。 从这个意义上讲，RNN 在学习一个可以决定如何能最好地探索空间、还可以更新其最好策略概念的算法，同时使该算法在任务的一组分布上得到很好的效果。 没人可以仅从自己的经验中就提取出这些信息，所以除非我们找出如何做出与学习算法相似的事，否则我怀疑我们是否真的可以通过整合这个世界上的知识建立模型，从而解决问 原文链接：https://towardsdatascience.com
1K50发布于 2018-05-08 - 来自专栏AI科技大本营的专栏
详解 | 如何用Python实现机器学习算法
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 代价函数对 求偏导得到： 所以对theta的更新可以写为： 其中 为学习速率，控制梯度下降的速度，一般取0.01,0.03,0.1,0.3..... 可以看出，若是x与 距离较近，==》 ，（即相似度较大），若是x与 距离较远，==》 ，（即相似度较低） 高斯核函数的σ越小，f下降的越快 如何选择初始的 训练集： 选择： 对于给出的x，计算f,令：
1.8K81发布于 2018-04-27 - 来自专栏博文视点Broadview
如何高效学习数据结构与算法？
学习数据结构与算法不仅可以培养我们的算法思维，提高我们分析问题、解决问题的能力，还可以让我们快速学习新技术，以更高的视角看待问题。 但是，很多人觉得数据结构与算法太难了，学起来相当枯燥、低效！ 那么，有没有高效学习数据结构与算法的方法呢？作为算法工程师，应该如何加强自己的内功修炼呢？ 为了帮助大家解决以上问题，博文视点特地邀请到《算法训练营》作者陈小玉老师为大家直播分享“算法工程师内功修炼之道——如何高效学习数据结构与算法”，帮助大家全面了解数据结构与算法知识体系，掌握高效学习数据结构与算法的方法 分享主题：算法工程师内功修炼之道——如何高效学习数据机构与算法 分享概要： 算法工程师成长路径 如何高效学习数据结构与算法 如何进行刷题训练 如何快速掌握算法核心技术 如何准备算法面试 嘉宾简介： 陈小玉 ，高级程序员，主要研究方向为算法优化和机器学习。
31800编辑于 2023-05-06 - 来自专栏AI研习社
「元学习」解析：学习如何梯度下降与学习新的算法
当我第一次听到「元学习」的时候，它的概念是如此地令我沉醉：这个项目要构建不仅能够进行学习的机器，这些机器还能学习「如何学习」的方法。 如果说元学习的问题在于「如何建立一个能快速学习新任务的模型」，那么单样本学习的问题则是：我们如何建立一个模型，它能够在只看到某个类别的一个示例后，就能够学习如何去对这个类别进行分类。 因此，RNN 在多个任务中学习到了如何更新隐含状态的权重，以及控制如何利用隐含状态的权重。 从这个意义上讲，RNN 这种学习算法决定了如何最好地探索空间、把什么样的策略看作最佳策略，而且通过学习使该算法在一组任务分布上得到很好的效果。 没人可以独立地从经验中提取出所有这些知识，所以除非我们弄清楚如何做出与这些学习算法相似的事，不然我怀疑我们是否真的可以整合关于世界的知识，建立解决问题的模型。
42720发布于 2018-07-26 - 来自专栏CDA数据分析师
算法太多挑花眼？教你如何选择正确的机器学习算法
福利来啦~本文将教你慧眼识精，快速挑选出满意的算法！ 机器学习既是一门科学，也是一种艺术。纵观各类机器学习算法，并没有一种普适的解决方案或方法。事实上，有几个因素会影响你对机器学习算法的选择。 下面，让我们一起来看看有哪些因素能帮你缩小机器学习算法的选择范围。 数据科学过程 在你开始研究不同的机器学习算法前，你需要对自己拥有的数据、面对的问题及相关约束有清晰的了解。 一些影响你选择模型的因素如下： 模型是否满足业务目标 模型需要多少数据预处理工作 模型有多准确 模型的可解释性如何 模型运行的速度有多快：构造模型需要多久？模型做出预测需要多长时间？ 模型的可伸缩性如何 模型的复杂度是一个影响算法选择的重要标准。 将相同的算法变得更加复杂增加了发生过拟合的几率。 ? 常用的机器学习算法 线性回归 这可能是机器学习中最简单的算法。例如，当你想要计算一些连续值，而不是将输出分类时，可以使用回归算法。
52700发布于 2018-07-30 - 来自专栏AI科技评论
「元学习」解析：学习如何梯度下降与学习新的算法
如果说元学习的问题在于「如何建立一个能快速学习新任务的模型」，那么单样本学习的问题则是：我们如何建立一个模型，它能够在只看到某个类别的一个示例后，就能够学习如何去对这个类别进行分类。 这些参数包括：学习率、动量、自适应学习率算法的权重。在这里，我们开始沿着修改学习算法本身的道路前进，但是我们的方法是有限的、参数化的。 因此，RNN 在多个任务中学习到了如何更新隐含状态的权重，以及控制如何利用隐含状态的权重。 从这个意义上讲，RNN 这种学习算法决定了如何最好地探索空间、把什么样的策略看作最佳策略，而且通过学习使该算法在一组任务分布上得到很好的效果。 没人可以独立地从经验中提取出所有这些知识，所以除非我们弄清楚如何做出与这些学习算法相似的事，不然我怀疑我们是否真的可以整合关于世界的知识，建立解决问题的模型。
47940发布于 2018-07-26 - 来自专栏机器学习与python集中营
精选汇总 | 机器学习算法优缺点 & 如何选择
机器学习 深度学习 长按二维码关注 主要回顾下几个常用算法的适应场景及其优缺点！ 机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，所以在实际应用中，我们一般都是采用启发式学习方式来实验。 1.天下没有免费的午餐 在机器学习领域，一个基本的定理就是“没有免费的午餐”。换言之，就是没有算法能完美地解决所有问题，尤其是对监督学习而言（例如预测建模）。 其结果是，在用给定的测试集来评估性能并挑选算法时，你应当根据具体的问题来采用不同的算法。 当然，所选的算法必须要适用于你自己的问题，这就要求选择正确的机器学习任务。 如何选择一个最佳的K值，这取决于数据。一般情况下，在分类时较大的K值能够减小噪声的影响，但会使类别之间的界限变得模糊。一个较好的K值可通过各种启发式技术来获取，比如，交叉验证。
60440发布于 2019-05-29 - 来自专栏数据科学与人工智能
【陆勤践行】如何选择机器学习算法
如何针对某个分类问题决定使用何种机器学习算法？ 当然，如果你真心在乎准确率，最好的途径就是测试一大堆各式各样的算法（同时确保在每个算法上也测试不同的参数），最后选择在交叉验证中表现最好的。 其主要缺点是它学习不了特征间的交互关系（比方说，它学习不了你虽然喜欢甄子丹和姜文的电影，却讨厌他们共同出演的电影《关云长》的情况）。 与决策树与支持向量机相比，你还会得到一个不错的概率解释，你甚至可以轻松地利用新数据来更新模型（使用在线梯度下降算法）。 它的一个缺点就是不支持在线学习，于是在新样本到来后，决策树需要全部重建。另一个缺点是容易过拟合，但这也就是诸如随机森林（或提升树）之类的集成方法的切入点。 尽管如此，回想一下，好的数据却要优于好的算法，设计优良特征是大有裨益的。假如你有一个超大数据集，那么无论你使用哪种算法可能对分类性能都没太大影响（此时就根据速度和易用性来进行抉择）。
62560发布于 2018-02-26 - 来自专栏cwl_Java
如何学习一些需要算法的程序
如何看懂一个程序，分三步： 流程 每个语句的功能 试数 如何学习一些需要算法的程序【如何掌握一个程序】： 尝试自己去编程解决它 但要意识到大部分人都是自己无法解决的，如果解决不了，这时不要气馁，如果十五分钟还想不出来 如果解决不了，就看答案 关键是把答案看懂，这个要花很大的精力，也是我们学习的重点。 看懂一个程序要分三步：流程、每个语句的功能、试数。
43210发布于 2020-08-03 - 来自专栏红色石头的机器学习之路
如何为机器学习算法准备数据？
本文为《Scikit-Learn 和 TensorFlow 机器学习指南》的第二章的第 3 讲：为机器学习算法准备数据。 1. 使用实际数据 2. 整体规划 3. 获取数据 4. 为机器学习准备数据 6. 选择模型并进行训练 7. 调试模型 8. 部署、监控、维护系统 第二章前 2 讲的地址如下： 如何入手第一个机器学习项目？ 如何从数据可视化中发现数据规律？ 不同于归一化，标准化不将值绑定到特定范围，对某些算法而言，这可能是个问题（例如，神经网络期望的输入值范围通常是0到1）。但是标准化的方法受异常值的影响更小。 管道 Pipeline 我们可以把机器学习算法中许多转换操作使用管道 pipeline 统一顺序进行。Scikit-Learn 正好提供了 Pipeline 来支持这样的转换。
49510编辑于 2022-01-12
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