机器学习共0篇 第5页
机器学习
排序
数据挖掘18大算法实现以及其他相关经典DM算法：决策分类，聚类，链接挖掘，关联挖掘，模式挖掘。图算法，搜索算法等
数据挖掘18大算法实现以及其他相关经典DM算法：决策分类，聚类，链接挖掘，关联挖掘，模式挖掘。图算法，搜索算法等 算法码源见文末 1.算法目录 18大DM算法 包名 目录名 算法名 AssociationAnal...
2年前
深度学习如何入门？
深度学习是一种强大的机器学习方法，它在各个领域都有广泛应用。如果你是一个新手，想要入门深度学习，下面是一些步骤和资源，可以帮助你开始学习和实践深度学习。 1. 学习基本概念 在开始深度...
2年前
TensorFlow2实战 | 第7周：咖啡豆识别
? 我的环境： 语言环境：Python3.10.11 编译器：Jupyter Notebook 深度学习框架：TensorFlow2.4.1 显卡（GPU）：NVIDIA GeForce RTX 4070 ? 相关教程： 编译器教程：【新手入门深度学习 | 1-2：...
2年前变分自编码器（VAE）公式推导
论文原文：Auto-Encoding Variational Bayes [OpenReview (ICLR 2014) | arXiv] 本文记录了我在学习 VAE 过程中的一些公式推导和思考。如果你希望从头开始学习 VAE，建议先看一下苏剑林的博客（...
2年前
从零开始初识机器学习
本篇文章中我们将对机器学习做全面的了解与介绍，其中第一章 初识机器学习分为上下两个小章节，对机器学习是什么、机器学习由来以及机器学习的理论等展开说明。目的是能让即便完全没接触过机器...
2年前
Pytorch实战 | 第4天：猴痘病识别
? 我的环境： 语言环境：Python3.10.11 编译器：Jupyter Notebook 深度学习框架：Pytorch 2.0.1+cu118 显卡（GPU）：NVIDIA GeForce RTX 4070 ? 相关教程： 编译器教程：【新手入门深度学习 | 1...
2年前
从零开始初识机器学习 | 京东云技术团队
本篇文章中我们将对机器学习做全面的了解与介绍，其中第一章 初识机器学习分为上下两个小章节，对机器学习是什么、机器学习由来以及机器学习的理论等展开说明。目的是能让即便完全没接触过机器...
2年前机器学习基础-监督学习-逻辑回归之多元逻辑回归
多元逻辑回归是逻辑回归在多类分类问题上的扩展。在多元逻辑回归中，我们通过使用 softmax 函数将输入特征映射到多个类别的概率分布。 假设我们有 m 个训练样本，每个样本有 n 个特征，共有 K ...
2年前机器学习基础-监督学习-线性回归之多元线性回归
多元线性回归是一种在多个自变量之间建立线性关系的监督学习方法。它可以用于预测一个或多个连续的因变量。下面将详细介绍多元线性回归的原理，并提供一个 Python 代码示例。 原理： 多元线性回...
2年前机器学习基础-监督学习-线性回归之多项式回归
多项式回归是一种线性回归的扩展，通过引入多项式特征来拟合非线性关系。下面详细讲解多项式回归的原理，并提供一个 Python 代码示例。 多项式回归的模型形式为： y=β0+β1x+β2x2+...+βnxn+...
2年前机器学习基础-监督学习-逻辑回归之二院逻辑回归
当我们面对一个二元分类问题时，二元逻辑回归是一种常用的监督学习算法。它基于线性回归模型，并使用逻辑函数（也称为 sigmoid 函数）对输出进行转换，以获得概率估计。以下是对二元逻辑回归的...
2年前机器学习基础-监督学习-线性回归之最小二乘法
最小二乘法是一种常用的线性回归方法，用于拟合数据并找到最优的模型参数。它通过最小化实际观测值与模型预测值之间的残差平方和来确定最优参数。以下是对最小二乘法的详细讲解，包括公式和代码...
2年前机器学习基础-监督学习-线性回归之正则化
正则化是一种常用的机器学习技术，用于控制模型的复杂度，并防止过拟合。通过在目标函数中添加正则化项，可以使得模型倾向于选择较为简单的参数组合。 在监督学习任务中，通常采用的是 L1 正则...
2年前机器学习基础-监督学习-线性回归之梯度下降法
梯度下降法（Gradient Descent）是一种常用的优化算法，用于求解损失函数的最小值。它通过迭代更新模型参数，沿着损失函数梯度的反方向逐步调整参数，直到达到最优解。下面是梯度下降法的详细讲...
2年前机器学习基础-监督学习-目标函数之余弦相似度损失（Cosine Similarity Loss）
余弦相似度损失（Cosine Similarity Loss）用于衡量两个向量之间的余弦相似度，常用于度量两个向量的相似程度。余弦相似度是通过计算两个向量的夹角来度量它们之间的相似度，取值范围为[-1, 1]...
2年前机器学习基础-监督学习-目标函数之KL散度（Kullback-Leibler Divergence）
KL 散度（Kullback-Leibler Divergence），也称为相对熵（Relative Entropy），是用来衡量两个概率分布之间的差异。KL 散度常用于信息论和统计学中，它可以用来比较两个概率分布之间的相似性或...
2年前机器学习基础-监督学习-目标函数之Hinge损失（Hinge Loss）
Hinge 损失（Hinge Loss）通常用于支持向量机（Support Vector Machine，SVM）算法中的分类问题。它鼓励正确分类的边界离样本更远，同时惩罚错误分类的边界。下面将详细讲解 Hinge 损失的定义和...
2年前机器学习基础-监督学习-目标函数之感知器损失（Perceptron Loss）
感知器损失（Perceptron Loss）是一种用于二分类问题的目标函数，基于感知器算法（Perceptron Algorithm）。感知器算法是一种简单的线性分类算法，其目标是找到一个线性超平面，将正负样本正确...
2年前机器学习基础-监督学习-目标函数之交叉熵损失（Cross-Entropy Loss）
交叉熵损失（Cross-Entropy Loss）是一种常用的目标函数，主要用于二分类或多分类问题中衡量预测结果与真实标签之间的差异。它是基于信息论的概念，通过比较两个概率分布的差异来计算损失。 在...
2年前机器学习基础-监督学习-目标函数之平均绝对误差（Mean Absolute Error，MAE）
平均绝对误差（Mean Absolute Error，MAE）是一种用于衡量回归问题中预测值与真实值之间平均绝对差异的目标函数。它可以衡量预测值与真实值之间的平均误差大小，具有较好的鲁棒性。下面详细讲解...
2年前