机器学习算法的优缺点(10)-贝叶斯算法

贝叶斯算法是指明确应用了贝叶斯定理来解决如分类和回归等问题的方法。举例：朴素贝叶斯（Naive Bayes）高斯朴素贝叶斯（Gaussian Naive Bayes）多项式朴素贝叶斯（Multinomial Naive Bayes）平均一致依赖估计器（Averaged One-Dependence

机器学习——集成算法

## 1 集成算法概述 集成学习（ensemble learning）是时下非常流行的机器学习算法，它本身不是一个单独的机器学习算法，而是通过在数据上构建多个模型，集成所有模型的建模结果。基本上所有的机器学习领域都可以看到集成学习的身影，在现实中集成学习也有相当大的作用，它可以用

深度学习算法中的 迁移学习（Transfer Learning）

用已经学习到的知识，我们能够更好地应对实际应用中的挑战。在未来的研究中，我们可以进一步探索迁移学习的原理和方法，以应对不断出现的新问题。 希望本文能够帮助读者理解迁移学习的概念和应用，并在实际问题中能够灵活运用迁移学习的技术。如果您对迁移学习有任何问题或者想法，欢迎在评论区进行讨论和交流。

机器学习算法的优缺点(8)-聚类算法

聚类算法是指对一组目标进行分类，属于同一组（亦即一个类，cluster）的目标被划分在一组中，与其他组目标相比，同一组目标更加彼此相似（在某种意义上）。举例：K-均值（k-Means）k-Medians 算法Expectation Maximi 封层 ation (EM)最大期望

【机器学习算法专题（蓄力计划）】十七、机器学习中决策树算法

决策树模型使用技巧总结 完整代码 决策树 依据特征划分的树状图。决策树包括特征、类别和层数。分别对应非叶子节点、叶子节点和层数。 不同的特征选择（包括顺序和数量）会得到不同的决策树。 决策树的层数直接对应了模型的复杂度。 每个节点尽量只包含一种类别

机器学习的算法分类介绍

以下是一些流行的定义。在每种情况下，都会为算法提供一组示例供其学习。 (1) 监督式学习：为算法提供训练数据，数据中包含每个示例的“正确答案”；例如，一个检测信用卡欺诈的监督学习算法接受一组记录的交易作为输入，对于每笔交易，训练数据都将包含一个表明它是否存在欺诈的标记。 (2)

机器学习算法的优缺点(7)-降维算法

降维算法和集簇方法类似，追求并利用数据的内在结构，目的在于使用较少的信息总结或描述数据。这一算法可用于可视化高维数据或简化接下来可用于监督学习中的数据。许多这样的方法可针对分类和回归的使用进行调整。举例：主成分分析（Principal Component Analysis (PCA)）主成分回归（Principal

深度学习算法中的深度强化学习（Deep Reinforcement Learning）

引入了深度强化学习（Deep Reinforcement Learning）的概念。本文将介绍深度强化学习的基本概念、算法原理以及在实际应用中的一些案例。 深度强化学习的基本概念 深度强化学习是将深度学习与强化学习相结合的一种方法。在深度强化学习中，智能体通过与环境的交互来学

机器学习算法的优缺点(2)-集成算法

集成算法（Ensemble algorithms）是由多个较弱的模型集成模型组，其中的模型可以单独进行训练，并且它们的预测能以某种方式结合起来去做出一个总体预测。该算法主要的问题是要找出哪些较弱的模型可以结合起来，以及结合的方法。这是一个非常强大的技术集，因此广受欢迎。举例：BoostingBootstrapped

[转载】机器学习算法总览

深度学习和机器学习的区别

数据的一种机器学习技术。它的基本特点，是试图模仿大脑的神经元之间传递，处理信息的模式。最显著的应用是计算机视觉和自然语言处理(NLP)领域。显然，“深度学习”是与机器学习中的“神经网络”是强相关，“神经网络”也是其主要的算法和手段；或者我们可以将“深度学习”称之为“改良版的神经网

机器学习算法的优缺点(9)-基于实例的算法

基于实例的算法（Instance-based Algorithms）-（有时也称为基于记忆的学习）是这样一种学习算法，不是明确归纳，而是将新的问题例子与训练过程中见过的例子进行对比，这些见过的例子就在存储器中。之所以叫基于实例的算法是因为它直接从训练实例中建构出假设。这意味这，假

基于华为云ModelArts深度学习算法的语音识别实践

el.zip')至此基于深度学习算法的语音识别实践全部完成，整个流程下来体验还是很不错的！总结整个流程用到了很多的华为云服务，例如OBS和ModelArts的NoteBook，功能非常强大，体验感很好，对深度学习算法的语音识别有了一定的了解，也对整个实践的过程有了认识，欢迎大家一

强化学习算法选择

强化学习算法选择在机器学习中，数据不同会导致算法表现不同。同样地，在强化学习中，由于目标环境的多样性，算法在不同环境中表现截然不同。另外，结合业务场景，开发者在其他维度（如算法输出动作的连续性或离散性、算法的学习效率等）上可能还有不同的要求。因此，选择合适的强化学习算法是一个很重

机器学习算法的优缺点(1)-正则化算法

正则化算法（Regularization Algorithms）它是另一种方法（通常是回归方法）的拓展，这种方法会基于模型复杂性对其进行惩罚，它喜欢相对简单能够更好的泛化的模型。例子：岭回归（Ridge Regression）最小绝对收缩与选择算子（LASSO）GLASSO弹性网络（Elastic