机器专题

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言高斯过程（Gaussian Process，简称GP）是一种概率模型，用于描述一组随机变量的联合概率分布，其中任何一个有限维度的子集都具有高斯分布文章目录引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数（或核函数） 1.3 核函数1.4 高斯过程回归（Gauss

【学习笔记】陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

系列文章目录监督学习：参数方法【学习笔记】陈强-机器学习-Python-Ch4 线性回归【学习笔记】陈强-机器学习-Python-Ch5 逻辑回归【课后题练习】陈强-机器学习-Python-Ch5 逻辑回归（SAheart.csv）【学习笔记】陈强-机器学习-Python-Ch6 多项逻辑回归【学习笔记及课后题练习】陈强-机器学习-Python-Ch7 判别分析【学

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类感觉后面几节课的内容跨越太大，需要补充太多的知识点，教授讲得内容跨越较大，一般一节课的内容是书本上的一章节内容，所以看视频比较吃力，需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构假设我们有如下图结构： Adjacency Matrix:行和列表示的是节点的位置，A[i,j]表示的第 i 个节点和第 j 个

【机器学习】高斯网络的基本概念和应用领域

引言高斯网络（Gaussian Network）通常指的是一个概率图模型，其中所有的随机变量（或节点）都遵循高斯分布文章目录引言一、高斯网络（Gaussian Network）1.1 高斯过程（Gaussian Process）1.2 高斯混合模型（Gaussian Mixture Model）1.3 应用1.4 总结二、高斯网络的应用2.1 机器学习2.2 统计学2.3

✨机器学习笔记（二）—— 线性回归、代价函数、梯度下降

1️⃣线性回归（linear regression） f w , b ( x ) = w x + b f_{w,b}(x) = wx + b fw,b(x)=wx+b 🎈A linear regression model predicting house prices：如图是机器学习通过监督学习运用线性回归模型来预测房价的例子，当房屋大小为1250 f e e t 2 feet^

【机器学习-一-基础概念篇】

机器学习定义分类算法应用定义机器学习最早是被Arthur Samuel 提出的一个概念，指计算机无需明确编程即可学习的研究领域。1950年他发明的跳棋程序，这个人机对弈游戏让他的声名鹊起，机器学习这个概念才进入大众的是视线。在这个跳棋程序里，他编程了一种算法，这个程序与Arthur下了数万次跳棋，计算机逐渐学会了下在哪里有更大的可能会赢得比赛，哪里会输，通过这种方法，最

机器学习之监督学习（三）神经网络

机器学习之监督学习（三）神经网络基础 0. 文章传送1. 深度学习 Deep Learning深度学习的关键特点深度学习VS传统机器学习 2. 生物神经网络 Biological Neural Network3. 神经网络模型基本结构模块一：TensorFlow搭建神经网络 4. 反向传播梯度下降 Back Propagation Gradient Descent模块二：激活函数 activ

参会邀请 | 第二届机器视觉、图像处理与影像技术国际会议（MVIPIT 2024）

第二届机器视觉、图像处理与影像技术国际会议（MVIPIT 2024）将于2024年9月13日-15日在中国张家口召开。 MVIPIT 2024聚焦机器视觉、图像处理与影像技术，旨在为专家、学者和研究人员提供一个国际平台，分享研究成果，讨论问题和挑战，探索前沿技术。诚邀高校、科研院所、企业等有关方面的专家学者参加会议。 9月13日（周五）：签到日 9月14日（周六）：会议日 9月15日（周日

线性代数|机器学习-P35距离矩阵和普鲁克问题

文章目录 1. 距离矩阵2. 正交普鲁克问题3. 实例说明 1. 距离矩阵假设有三个点 x 1 , x 2 , x 3 x_1,x_2,x_3 x1,x2,x3,三个点距离如下： ∣ ∣ x 1 − x 2 ∣ ∣ 2 = 1 , ∣ ∣ x 2 − x 3 ∣ ∣ 2 = 1 , ∣ ∣ x 1 − x 3 ∣ ∣ 2 = 6 \begin{equation} ||x

集群环境下为雪花算法生成全局唯一机器ID策略

雪花算法是生成数据id非常好的一种方式，机器id是雪花算法不可分割的一部分。但是对于集群应用，让不同的机器自动产生不同的机器id传统做法就是针对每一个机器进行单独配置，但这样做不利于集群水平扩展，且操作过程非常复杂，所以每一个机器在集群环境下是一个头疼的问题。现在借助spring+redis，给出一种策略，支持随意水平扩展，肥肠好用。大致策略分为4步： 1.对机器ip进行hash,对某一个（大于

读懂《机器学习实战》代码—K-近邻算法

一，K近邻算法概念 K近邻算法即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例（也就是上面所说的K个邻居），这K个实例的多数属于某个类，就把该输入实例分类到这个类中。KNN 算法是一种 lazy-learning 算法，分类器不需要使用训练集进行训练，训练时间复杂度为0。KNN 分类的计算复杂度和训练集中的文档数目成正比，也就是说，如果训练集中文档总数为 n，

机器视觉硬件选型根据某项目相机镜头

一项目总需求 1、大视野检测需求: (1)大视野： ①产品尺寸15.6寸屏幕，产品大小：350mm x 225mm； ②产品料盘尺寸大小：565mm x 425mm; ③工作距离：880mm；检测精度：500μm； 1、大视野检测需求: (1)大视野： ①产品尺寸15.6寸屏幕，产品大小：350mm x 225mm； ②产品料盘尺寸大小：565mm x 425mm; 工作距离：

机器学习模型中的因果关系：引入单调约束

单调约束是使机器学习模型可行的关键，但它们仍未被广泛使用欢迎来到雲闪世界。碳ausality 正在迅速成为每个数据科学家工具包中必不可少的组成部分。这是有充分理由的。事实上，因果模型在商业中具有很高的价值，因为它们为“假设”情景提供了更可靠的估计，特别是在用于做出影响业务结果的决策时。在本文中，我将展示如何通过简单的更改（实际上添加一行代码）将传统的 ML 模型（如随机森林、L

机器学习（西瓜书）第 4 章决策树

4.1 决策树基本流程决策树模型基本流程在第⑵种情形下，我们把当前结点标记为叶结点，并将其类别设定为该结点所含样本最多的类别；在第⑶种情形下，同样把当前结点标记为叶结点，但将其类别设定为其父结点所含样本最多的类别.注意这两种情形的处理实质不同：情形⑵是在利用当前结点的后验分布，而情形⑶则是把父结点的样本分布作为当前结点的先验分布. 基本算法由算法4 .2可看出，决策树学习

【机器学习】XGBoost的用法和参数解释

一、XGBoost的用法流程：代码案例：二、XGBoost的几大参数 1、一般参数，用于集成算法本身 ①n_estimators 集成算法通过在数据上构建多个弱评估器，汇总所有弱评估器的建模结果，以获取比单个模型更好的回归或分类表现。sklearn中n_estimators表示弱评估器的个数，在xgboost中用num_boost_round表示，是xgboost.tr

【人工智能/机器学习/机器人】数学基础-学习笔记

函数奇偶性：偶函数： f ( − x ) = f ( x ) f(-x)=f(x) f(−x)=f(x) y轴对称 f ( x ) = x 2 f(x)=x^2 f(x)=x2 f ( − x ) = ( − x ) 2 = x 2 = f ( x ) f(-x)=(-x)^2=x^2=f(x) f(−x)=(−x)2=x2=f(x) 奇函数： f ( − x )

【机器学习-监督学习】决策树

【作者主页】Francek Chen 【专栏介绍】 ⌈ ⌈ ⌈Python机器学习 ⌋ ⌋ ⌋ 机器学习是一门人工智能的分支学科，通过算法和模型让计算机从数据中学习，进行模型训练和优化，做出预测、分类和决策支持。Python成为机器学习的首选语言，依赖于强大的开源库如Scikit-learn、TensorFlow和PyTorch。本专栏介绍机器学习的相关算法以及基于Python的算法实现。

机器学习--KNN算法

knn算法针对有监督学习，分为2种：聚类和回归第1种：聚类 #导包（聚类）from sklearn.neighbors import KNeighborsClassifier#构建数据x = [[3],[6],[8]]y=[3,7,6]#实例化模型knn=KNeighborsClassifier(n_neighbors=1)#训练knn.fit(x,y)#预测print(

基于Python的机器学习系列（29）：前馈神经网络

在本篇文章中，我们将学习如何使用PyTorch构建和训练一个前馈神经网络。我们将以线性回归为例，逐步了解PyTorch的各个组件及其在神经网络中的应用。这些步骤包括：指定输入和目标：我们将定义输入特征和目标变量。数据集和数据加载器：使用PyTorch的数据集和数据加载器来管理和加载数据。nn.Linear（全连接层）：创建前馈神经网络中的线性层。定义损失函数：选择合适的损失函数

探索Mem0：下一代人工智能与机器学习内存管理基础设施（二）Mem0+Ollama 部署运行

探索Mem0：下一代人工智能与机器学习内存管理基础设施（二） Mem 0（发音为“mem-zero”）通过智能记忆层增强AI助手和代理，实现个性化的AI交互。Mem 0会记住用户偏好，适应个人需求，并随着时间的推移不断改进，使其成为客户支持聊天机器人，AI助手和自治系统的理想选择。安装说明通过pip安装Mem0包： pip install mem0ai 基本用法 Mem 0需

【机器学习】从零开始理解深度学习——揭开神经网络的神秘面纱

1. 引言随着技术的飞速发展，人工智能（AI）已从学术研究的实验室走向现实应用的舞台，成为推动现代社会变革的核心动力之一。而在这一进程中，深度学习（Deep Learning）因其在大规模数据处理和复杂问题求解中的卓越表现，迅速崛起为人工智能的最前沿技术。深度学习的核心是神经网络，它模仿了生物神经系统的工作原理，通过层层叠加的结构化模型，逐步从数据中学习到有用的特征，从而完成分类、识别、生

【机器学习 sklearn】模型正则化L1-Lasso,L2-Ridge

#coding:utf-8from __future__ import divisionimport sysreload(sys)sys.setdefaultencoding('utf-8')import timestart_time = time.time()import pandas as pd# 输入训练样本的特征以及目标值，分别存储在变量X_train与y_train之中。

【机器学习 sklearn】特征筛选feature_selection

特征筛选更加侧重于寻找那些对模型的性能提升较大的少量特征。继续沿用Titannic数据集，这次试图通过特征刷选来寻找最佳的特征组合，并且达到提高预测准确性的目标。 #coding:utf-8from __future__ import divisionimport sysreload(sys)sys.setdefaultencoding('utf-8')import timest

【python 机器学习】机器学习算法之CatBoost

主要内容：一、算法背景二、CatBoost简介三、CatBoost的优点四、CatBoost的安装与使用五、CatBoost回归实战六、CatBoost调参模块七、CatBoost 参数详解一、算法背景： 2017年俄罗斯的搜索巨头 Yandex 开源 Catboost 框架。Catboost（Categorical Features+Gradient Boosting）采用的

【python 机器学习】机器学习算法之LightGBM

算法介绍： LightGBM 由微软2017年提出，主要用于解决 GDBT 在海量数据中遇到的问题，以便其可以更好更快地用于工业实践中。从 LightGBM 名字我们可以看出其是轻量级（Light）的梯度提升机（GBM），其相对 XGBoost 具有训练速度快、内存占用低的特点。实际上，XGBoost和lightGBM都属于GBDT的一种实现，旨在优化算法的性能，提升算法的训练速度，与XGBoo

【机器学习模型调参】GridSearchCV模型调参利器

导入模块sklearn.model_selection from sklearn.model_selection import GridSearchCV GridSearchCV 称为网格搜索交叉验证调参，它通过遍历传入的参数的所有排列组合，通过交叉验证的方式，返回所有参数组合下的评价指标得分，GridSearchCV 函数的参数详细解释如下： class sklearn.model_se