ml专题
吴恩达深度学习笔记：机器学习（ML）策略（1）（ML strategy（1））1.11-1.12
目录 第三门课 结构化机器学习项目（Structuring Machine Learning Projects）第一周 机器学习（ML）策略（1）（ML strategy（1））1.11 超过人的表现（Surpassing human- level performance）1.12 改 善 你 的 模 型 的 表 现 （ Improving your model performance）
吴恩达深度学习笔记：机器学习（ML）策略（1）（ML strategy（1））1.9-1.10
目录 第三门课 结构化机器学习项目（Structuring Machine Learning Projects）第一周 机器学习（ML）策略（1）（ML strategy（1））1.9 可避免偏差（Avoidable bias）1.10 理解人的表现（Understanding human-level performance） 第三门课 结构化机器学习项目（Structurin
数学/ML/DL文章索引（2020.9.20更新）
西瓜书 1.绪论 2.模型评估与选择 3.线性模型 4.决策树 5.神经网络 6.svm 7.贝叶斯分类器 8.集成学习 9.聚类 10.降维与度量学习 11.特征选择与稀疏学习 12.计算学习理论 13.半监督学习 14.概率图 15.规则学习 16.强化学习 统计学习方法 5.决策树 6.逻辑回归与最大熵 7.支持向量机 8.提升方法 9.EM 10.隐马尔可夫 11.条件随机场 12.
使用 ML.NET CLI 自动进行模型训练
ML.NET CLI 可为 .NET 开发人员自动生成模型。 若要单独使用 ML.NET API（不使用 ML.NET AutoML CLI），需要选择训练程序（针对特定任务的机器学习算法的实现），以及要应用到数据的数据转换集（特征工程）。 每个数据集的最佳管道各不相同，从所有选择中选择最佳算法增加了复杂性。 此外，每个算法都有一组要调整的超参数。 因此，可能会花费数周甚至数月时间进行机器学习模
吴恩达深度学习笔记：机器学习（ML）策略（1）（ML strategy（1））1.3-1.4
目录 第三门课 结构化机器学习项目（Structuring Machine Learning Projects）第一周 机器学习（ML）策略（1）（ML strategy（1））1.3 单一数字评估指标（Single number evaluation metric）1.4 满足和优化指标（Satisficing and optimizing metrics） 第三门课 结构化
近屿OJAC带你解读：什么是ML？
概念定义 ML是机器学习（Machine Learning）的缩写。机器学习是人工智能的一个分支，它使计算机系统能够从数据中学习和改进，而无需进行明确的编程指令。简单来说，机器学习涉及到开发算法和统计模型，让计算机利用数据来做出预测或决策。 机器学习为何重要？ 为什么要使用机器学习？由于数据量越来越大，种类越来越多，计算能力越来越强，高速互联网越来越普及，机器学习的重要性与日俱增。这
pyspark.ml.feature特征工程常用方法（二）
本篇博文主要是对pyspark.ml.feature模块的函数进行介绍，也可以直接看官网文档。其中博文的数据皆来自官方文档中例子。官方文档地址： http://spark.apache.org/docs/latest/api/python/pyspark.ml.html pyspark.ml.feature 函数概括： __all__ = ['Binarizer', 'Bucketizer',
pyspark.ml.feature特征工程常用方法（一）
本篇博文主要是对pyspark.ml.feature模块的函数进行介绍，也可以直接看官网文档。其中博文的数据皆来自官方文档中例子。官方文档地址： http://spark.apache.org/docs/latest/api/python/pyspark.ml.html pyspark.ml.feature 函数概括： __all__ = ['Binarizer', 'Bucketizer',
StanFord ML 笔记 第九部分
第九部分： 1.高斯混合模型 2.EM算法的认知 1.高斯混合模型 之前博文已经说明：http://www.cnblogs.com/wjy-lulu/p/7009038.html 2.EM算法的认知 2.1理论知识之前已经说明：http://www.cnblogs.com/wjy-lulu/p/7010258.html 2.2公式的推导 2.2.1. Jense
StanFord ML 笔记 第八部分
第八部分内容： 1.正则化Regularization 2.在线学习(Online Learning) 3.ML 经验 1.正则化Regularization 1.1通俗解释 引用知乎作者：刑无刀 解释之前，先说明这样做的目的：如果一个模型我们只打算对现有数据用一次就不再用了，那么正则化没必要了，因为我们没打算在将来他还有用，正则化的目的是为了让模型的
StanFord ML 笔记 第六部分第七部分
第六部分内容： 1.偏差/方差(Bias/variance) 2.经验风险最小化(Empirical Risk Minization，ERM) 3.联合界(Union bound) 4.一致收敛(Uniform Convergence) 第七部分内容： 1. VC 维 2.模型选择(Model Selection) 2017.11.3注释：这两个部分都是讲述理论
StanFord ML 笔记 第五部分
1.朴素贝叶斯的多项式事件模型： 趁热打铁，直接看图理解模型的意思：具体求解可见下面大神给的例子，我这个是流程图。 在上篇笔记中，那个最基本的NB模型被称为多元伯努利事件模型(Multivariate Bernoulli Event Model，以下简称 NB-MBEM)。该模型有多种扩展，一种是在上一篇笔记中已经提到的每个分量的多值化，即将p(x
Spark ML机器学习库评估指标示例
本文主要对 Spark ML库下模型评估指标的讲解，以下代码均以Jupyter Notebook进行讲解，Spark版本为2.4.5。模型评估指标位于包org.apache.spark.ml.evaluation下。 模型评估指标是指测试集的评估指标，而不是训练集的评估指标 1、回归评估指标 RegressionEvaluator Evaluator for regression,
深入浅出 Core ML
Machine Learning 基本介绍 机器学习是一门人工智能的科学。它通过对经验、数据进行分析，来改进现有的计算机算法，优化现有的程序性能。其基本流程如下图： 如图，机器学习有三个要素： 数据（Data）学习算法（Learning Algorith）模型（Model） 以图片分析 App 为例，这个场景下的数据、学习算法和模型分别对应： 数据：各种花的图片。这些数据称为此次机器学
【scikit-learn006】随机森林（Random Forest）ML模型实战及经验总结（更新中）
1.一直以来想写下基于scikit-learn训练AI算法的系列文章，作为较火的机器学习框架，也是日常项目开发中常用的一款工具，最近刚好挤时间梳理、总结下这块儿的知识体系。 2.熟悉、梳理、总结下scikit-learn框架随机森林（Random Forest）相关知识体系 3.欢迎批评指正，欢迎互三，跪谢一键三连！ 3.欢迎批评指正，欢迎互三，跪谢一键三连！ 3.欢迎批评指正，欢迎互三，跪谢一
【scikit-learn003】K近邻ML模型实战及经验总结（更新中）
1.一直以来想写下基于scikit-learn训练AI算法的系列文章，作为较火的机器学习框架，也是日常项目开发中常用的一款工具，最近刚好挤时间梳理、总结下这块儿的知识体系。 2.熟悉、梳理、总结下scikit-learn框架K近邻（K-Nearest Neighbors, KNN）机器学习模型相关知识体系 3.欢迎批评指正，欢迎互三，跪谢一键三连！ 3.欢迎批评指正，欢迎互三，跪谢一键三连！ 3
ML 算法之TF-IDF
TF-IDF直观来说就是来确定一个词对某一篇文档的重要性，而这个重要性的核定还用基于一个语料库。 由于TF-IDF这样的一个功能，它就可以被用来提取一个文档中的关键字 当我们有了关键字之后，关键字就又可以代表一个文档，并用其来计算文档之间的相似度 TF-IDF的解释： TF（term frequency）的计算：这个文档中的每个词出现的频率IDF(inverse document frequ
Spark中ml和mllib的区别
Spark中ml和mllib的主要区别和联系如下： ml和mllib都是Spark中的机器学习库，目前常用的机器学习功能2个库都能满足需求。spark官方推荐使用ml, 因为ml功能更全面更灵活，未来会主要支持ml，mllib很有可能会被废弃(据说可能是在spark3.0中deprecated）。ml主要操作的是DataFrame, 而mllib操作的是RDD，也就是说二者面向的数据集不一样。
C/C++开发，opencv-ml库学习，ml模块代码实现研究
目录 一、opencv-ml模块 1.1 ml简介 1.2 StatModel基类及通用函数 1.3 ml模块各算法基本应用 二、ml模块的实现原理 2.1 cv::ml::StatModel的train函数实现原理 2.2 cv::ml::StatModel的predict函数实现原理 2.3 cv::ml::StatModel的save函数和load函数 一、open
机器学习之ML非常规考点
bagging和boosting考点 降低偏差/方差 在一个模型的表现中，我们可以将其误差分解为三个部分：偏差、方差和随机误差。偏差是由于模型假设与真实模型不同造成的误差，这意味着即使我们用相同的算法和数据重复多次训练，我们仍然会得到同样的错误的预测结果。方差则是由于模型对训练数据的变化而导致的误差，如果我们用相同的算法在不同的训练集上训练，我们会得到不同的预测结果。最后，随机误差是由于我们在
论机器学习（ML）在网络安全中的重要性
机器学习是什么？ 机器学习(ML)是人工智能的一个分支，它使用算法来使计算机系统能够自动地从数据和经验中进行学习，并改进其性能，而无需进行明确的编程。机器学习涉及对大量数据的分析，通过识别数据中的模式来做出预测或决策。这些算法会不断地迭代和优化，以提高其预测的准确性。 机器学习(ML)的主要类型包括监督学习、无监督学习和半监督学习。在监督学习中，算法使用标记好的数据来训练模型，并对新数据进行预
微软github技术公开课(web开发、生成式AI、ML、数据科学、物联网)
一些微软在github上公开的课程整理： web开发基础入门 面向初学者的数据数据科学课程 https://microsoft.github.io/Data-Science-For-Beginners/#/ 面向初学者的AI入门课程 https://github.com/microsoft/ai-for-beginners 面向初学者的生成式AI课程 https://microso
github(100-day-of-ml-code)-day1
import numpy as npimport pandas as pd#pandas读取csv文件dataset = pd.read_csv("../datasets/Data.csv")print(dataset.head())X = dataset.iloc[:,:-1].valuesY = dataset.iloc[:,3].valuesprint("X:",X)print(
解锁多智能体路径规划新境界：结合启发式搜索提升ML本地策略
引言：多智能体路径寻找（MAPF）问题的重要性与挑战 在现代自动化和机器人技术迅速发展的背景下，多智能体路径寻找（Multi-agent path finding，简称MAPF）问题的研究变得日益重要。MAPF问题涉及为一组智能体（如机器人或软件代理）寻找无碰撞的路径，以便它们能够安全、高效地到达目标位置。这一问题在许多实际应用中都有广泛的应用，例如快速搜索与救援、火星探索、高效的仓库管理等。在