注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 机器学习基础资料

  2. 机器学习基础资料:COURSERA 机器学习课笔记\机器学习与概率图模型\机器学习〔中文版〕\统计机器学习（斯坦福大学讲义）1-12(全)\.....

  3. 所属分类：机器学习

    • 发布日期：2017-11-13
    • 文件大小：53477376
    • 提供者：discoverhfub

  1. 统计学习课程练习（matlab）

  2. 1.熟悉Matlab内置线性规划函数的使用 2.对Iris数据集中的数据求取协方差和相关性系数矩阵。并对该数据集做KL变换。 3.随机产生100组数据，每组数据有25个点，数据点为函数sin(2*pi*x)加上高斯噪声，使用Ridge回归对不同的lambda值进行7阶多项式拟合。 4.实现感知机的原始形式算法和对偶形式，证明数据可分性 5.实现一个朴素贝叶斯分类器，并使用课堂中的数据测试，最后加入拉普拉斯平滑，查看输出有什么变化。 6.使用3 中产生的数据，使用CART方法生成一个回归树。 7

  3. 所属分类：讲义

    • 发布日期：2017-12-03
    • 文件大小：4194304
    • 提供者：u012525636

  1. 2017年最新机器学习入门与实战精品高清全套视频教程附讲义作业(anaconda2 4.3Pytyhon2.7 jupyter) 70课

  2. 2017年最新机器学习入门与实战精品高清全套视频教程附讲义作业(anaconda2 4.3Pytyhon2.7 jupyter) 70课 课程介绍: 从基本的软件安装到必备的Python扩展讲起，然后对机器学习算法一一讲解，同时配合编程实操的实现过程，适合零基础系统学习，配套资料包括讲义作业软件数据都有。 课程目录: 第一章Numpy前导介绍 1.1、Anconda安装 1.2、JupyterNoteBook 1.3、Numpy介绍+ndarry 1.4、ndarry的shape属性巧算 1.

  3. 所属分类：机器学习

    • 发布日期：2018-05-04
    • 文件大小：2048
    • 提供者：happyzhangdi008

  1. 机器学习基础问答

  2. 1.机器学习分类 机器学习主要可以分为监督学习和无监督学习 监督学习中包括分类（如决策树，SVM）和回归(线性回归，非线性回归)等 无监督学习中包括聚类，词嵌入等 2.有监督学习和无监督学习的区别 有监督学习的数据本身包含标签，无监督学习则无标签，需要依靠数据中潜在的结构。3.模型 监督学习中，模型就是数据集X到Y的映射f 如翻译中，X为中文句子，Y为英文句子。 样本：（x，y），数据集是样本构成的集合 模型能力：（1）拟合 （2）预测，泛化 机器学习是从数据中产生模型的过程 4.假设函数 用

  3. 所属分类：机器学习

    • 发布日期：2018-10-02
    • 文件大小：2048
    • 提供者：qq_42660864

  1. 机器学习篇—Numpy数值计算基础（上）

  2. Numpy库是支持 Python 语言的数值计算第三方库，其拥有强大的多维数组处理与矩阵运算能力；是机器学习的必不可少的工具。本文是在学习了Numpy数值计算课程之后，所做的些许笔记。 文章目录导入Numpy第三方库生成Numpy数组几种方法数组的基本操作 导入Numpy第三方库 导入numpy库 import numpy as np 查看数据类型 data.dtype 更改数据类型 data.astype(type) 生成Numpy数组几种方法 1.通过python内建对象列表、元组生成

  3. 所属分类：其它

    • 发布日期：2020-12-22
    • 文件大小：65536
    • 提供者：weixin_38720173

  1. 机器学习篇—Numpy数值计算基础（中）

  2. Numpy库是支持 Python 语言的数值计算第三方库，其拥有强大的多维数组处理与矩阵运算能力；是机器学习的必不可少的工具。本文是在学习了Numpy数值计算课程之后，所做的些许笔记。 文章目录Numpy生成随机数Numpy数学函数Numpy数据修约Numpy数组的数学运算 Numpy生成随机数 生成随机数几种方法 rand(d0, d1, ..., dn) //[0, 1) 区间随机数据填充，这些数据均匀分布 示例： np.random.rand(2,2) 结果： array([[0.434

  3. 所属分类：其它

    • 发布日期：2020-12-22
    • 文件大小：71680
    • 提供者：weixin_38742954

  1. 机器学习入门（二）：KNN算法和决策边界(Decision Boundary)绘制

  2. 1）KNN算法基础知识： KNN全称K Nearest Neighbor, k是指最近邻居的个数。 俗话说物以类聚，人以群分，我们通常判别一个人是好是坏的方式就是看他周围是一群好人还是坏人。 这个算法也是如此，假如A的周围有一堆好人，我们就认为他是个好人。即使他周围有两个坏人（干扰项），我们也不会把它当成坏人。 而人与人的关系也有远近之分，计算远近，我们就需要用距离来衡量，有时候远亲不如近邻就体现了距离的重要性。 首先看这样一个例子： 现在有一个点，坐标分别是a1=2，a2=4，a3=3，请问它

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：248832
    • 提供者：weixin_38592643

  1. 机器学习 回归篇（1）——多元线性回归

  2. 机器学习 回归篇（1）——多元线性回归摘要线性回归简介python实现运行结果及可视化 摘要 本文介绍了最基础的回归问题——多元线性回归，并通过python进行实现及可视化展示运行结果。 线性回归简介 线性回归问题的重点在于如何求解回归函数的截距和系数。 1、构建代价函数（也叫损失函数）：平均平方误差。 2、通过最小二乘法或其他优化算法进行求解，因为线性回归的代价函数为凸函数，所以一般的经典优化算法用于求解都是适用的，如梯度下降法、单纯形法等等。 python实现 CyrusLinearRegr

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：63488
    • 提供者：weixin_38691703

  1. 计算机视觉之人脸学习（五）

  2. 一.TensorFlow基础介绍 (一）TensorFlow中的基础概念介绍 1.什么是TensorFlow：Google开源的基于数据流图的科学计算库，适合用于机器学习，深度学习等人工智能领域，tensorflow的源码： https://github.com/tensorflow https://gitub.com/tensorflow/models Tensor：张量（数据） Flow:计算流（数据流向) TensorFlow架构：（1）前端：编程模型，构造计算图，Python,C++,J

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：908288
    • 提供者：weixin_38690079

  1. 机器学习数学基础之微积分与概率论

  2. 机器学习数学基础之微积分与概率论1. 导数与梯度下降1.1 方向导数1.2 在机器学习的应用2. 基本概率论2.1 条件概率2.2 全概率公式2.3 贝叶斯公式2.4 随机变量2.5 期望2.6 方差3. 分布3.1 伯努利分布3.2 二项分布3.3 高斯分布3.4 泊松分布 （本文为学习总结笔记，如有雷同请无视） 1. 导数与梯度下降 1.1 方向导数 梯度下降法会引起局部最优值的可能。 1.2 在机器学习的应用 1、初始化一个w值 2、传入数据集，进行对w的调整 3、最后输出一个最优的w，

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：412672
    • 提供者：weixin_38656395

  1. 机器学习-第一个应用/鸢尾花分类-Python

  2. 参考Python 机器学习基础教程 鸢尾花分类 一个简单的机器学习应用，构建第一个模型。 对鸢尾花的分类，根据测量数据进行，该测量数据则为特征。测量数据：花瓣的长度和宽度、花萼的长度和宽度，所有测量结果的单位为cm 我们的目标是构建一个机器学习模型 因为有已知品种的鸢尾花的测试数据，所以这是一个监督学习问题。我们要在多个选项中预测其中一个（品种）。这是一个分类（classsification）问题。可能的输出（鸢尾花的不同品种）叫做类别（class）。数据集中共有三个类别（setosa、vers

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：885760
    • 提供者：weixin_38661939

  1. 机器学习系列（三）——目标函数和损失函数

  2. #机器学习基础（三） 文章目录4. 目标函数4.1 为什么要使用目标函数4.2 目标函数的作用原理4.3 为什么目标函数是负的4.4 常见的目标函数4.4.1 **二次代价函数（quadratic cost）**：4.4.2 **交叉熵代价函数（cross-entropy）**：4.4.3**对数似然代价函数（log-likelihood cost）**：5. 损失函数5.1 什么是损失函数5.2 常见的损失函数5.3 逻辑回归为什么使用对数损失函数5.4 对数损失函数是如何度量损失的 在本

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：436224
    • 提供者：weixin_38654382

  1. 机器学习基础（1）

  2. 机器学习（Machine Learning) 概念: 交叉学科，涉及概率论，逼近论，算法复杂度理论等多门学科。专门研究计算机怎样模拟和实现人类的学习行为，以获取新的知识和技能，重新组织已有的知识结构使之不断改善自身性能。 定位： 人工智能（Artifical Intelligence)的核心，是使计算机具有智能的根本途径。 定义： 针对经验E（Experience)和一系列任务T（Tasks)和一定的表现衡量P（Performance），随着经验E的积累，针对特定的任务T可以提高表现P，就说其具

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：34816
    • 提供者：weixin_38606639

  1. 机器学习基础知识和常用名词解释

  2. 机器学习入门的基础知识，包括常见名词的解释（线性回归、容量、过拟合欠拟合、正则化、超参数和验证集、估计、偏差和方差、最大似然估计、KL散度、随机梯度下降） 欢迎关注我的微信公众号“人小路远”哦，在这里我将会记录自己日常学习的点滴收获与大家分享，以后也可能会定期记录一下自己在外读博的所见所闻，希望大家喜欢，感谢支持！ 1、数值计算基础 计算机求解问题的步骤： 1、根据实际问题建立数学模型；（应用数学） 2、由数学模型给出数值计算方法；（计算数学） 3、根据计算方法编制算法程序在计算机上算出结果

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：332800
    • 提供者：weixin_38674675

  1. 机器学习（1）——获取数据及数据预处理

  2. 机器学习（1）——获取数据及数据预处理 基本概念 机器学习教计算机执行人和动物与生俱来的活动：从经验中学习。 机器学习算法使用计算方法直接从数据中“学习”信息，而不依赖 于预定方程模型。当可用于学习的样本数量增加时，这些算法可自 适应提高性能。 机器学习算法可从能够带来洞察力的数据中发现自然模式， 帮助您更好地制定决策和做出预测。医疗诊断、股票交易、 能量负荷预测及更多行业每天都在使用这些算法制定关键决策。 媒体网站依靠机器学习算法从数百万种选择中筛选出为您推荐 的歌曲或影片。零售商利用这些算法

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：300032
    • 提供者：weixin_38613640

  1. ML2021_seminars：包含来自Skoltech的2021机器学习课程的研讨会的存储库-源码

  2. ML2021_seminars 这是一个包含Skoltech机器学习课程（MA060018）研讨会的资料库，该课程将于2021年第3学期举行。 当前发布的研讨会列表（将随时间更新）： 研讨会1（02.02）：Ilya Trofimov-Python和机器学习简介 研讨会2（04.02）：Alexey Zaycev-回归 研讨会3（05.02）：Ilya Trofimov-分类 研讨会4（09.02）：Andrey Lange-SVM 研讨会5（11.02）：Andrey Lange-树木，

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：26214400
    • 提供者：weixin_42098104

  1. Python工作坊中的机器学习：我的研讨会使用python语言实现不同算法的机器学习-源码

  2. Python工作坊中的机器学习 我的机器学习研讨会使用python语言实现不同算法（伊朗大不里士大学，2017年）。 内容 第1部分：使用现有软件包进行机器学习（第1至5周） 第01周和第02周： Numpy和Matplotlib软件包简介 第03周和第04周：使用Scikit Learn进行监督学习 第05周：使用Scikit Learn进行无监督学习 第2部分：实现我们的机器学习算法和模型（第5周至第10周） 第六周：线性分类 第07周：实现损耗功能（Softmax损耗和SVM损耗）

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：37748736
    • 提供者：weixin_42131633

  1. 机器学习基础（笔记1）

  2. 常见概念（1） 为什么要有训练集和测试集？ 我们想要利用收集的猫狗数据构建一个机器学习模型，用来预测新的图片，但在将模型用于新的测量数据之前，我们需要知道模型是否有效，也就是说，我们是否应该相信它的预测结果。不幸的是，我们不能将用于构建模型的数据用于评估模型的性能。因为我们的模型会一直记住整个训练集，所以，对于训练集中的任何数据点总会预测成正确的标签。这种记忆无法告诉我们模型的泛化能力如何，即预测新样本的能力如何。我们要用新数据来评估模型的性能。新数据是指模型之前没见过的数据，而我们有这些新数据

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：215040
    • 提供者：weixin_38685608

  1. 机器学习算法/模型——机器学习介绍

  2. 目录1. 写在前面：态度2. 机器学习概述2.1 本质/目标：找到一种理想“函数”2.2 基本流程：“三板斧”方法论3. 总结 1. 写在前面：态度 相较于仍然处于经验（“炼丹”）阶段的深度学习，传统的统计学习模型和方法已经具备了相对完善的理论基础。 态度：即使目标是深度学习也要从机器学习开始，从统计学习方法学起。 一方面深度学习与机器学习具有传承的关系，学习后者对于直观理解前者有极大帮助。 另一方面，**统计学习方法建立在将概念“数字化”（向量化）的基础上，以数学公式和计算来表达概念之间的关联

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：125952
    • 提供者：weixin_38724229

  1. 《Python机器学习及实践：从零开始通往Kaggle竞赛之路》第1章 简介篇 学习笔记（二）1.4Python编程基础总结

  2. 目录 1.4Python编程基础 1、Python基本语法 （1）一段正确运行的Python代码 （2）一段错误运行的代码 （3）小结 2、Python数据类型 （1）数字（Number） （2）布尔值（Boolean） （3）字符串（String） （4）元组（Tuple） （5）列表（List） （6）字典（Dictionary） 3、Python数据运算 （1）算术运算 （2）比较运算 （3）赋值运算 （4）逻辑运算 （5）成员运算 4、Python流程控制 （1）分支语句（if） （2）

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：120832
    • 提供者：weixin_38730201
« 12 3 4 5 6 7 8 9 10 »