【转载】机器学习基础

因为各种媒体宣传，最近问问学校新入学计算机科学的学生们，想搞什么研究，结果十个里有九个要研究机器学习，中间还一些弄不清深度学习和机器学习的关系，实际上是想搞深度学习。原本深度学习（深度神经网络）只是机器学习领域一个分支，但因为其最近大火，导致对整个领域出现了这样的划分：深度的和非深度，或者说深度的和传统的。虽然现在

机器学习经典算法

k，就是邻居的个数，通常是3，5，7，等不超过20的数字。在机器学习算法中，常用的距离计算公式包括欧式距离和曼哈顿距离所以，KNN算法的结果和K值的取值有关系，要注意的是，KNN要找的邻居都已经是“站好队的人”，也就是已经正确分类的对象。下面进行实战：对心脏病数据的进行推断客户是否有心脏病：1

机器学习 问题分类

　　问题分类　　我们希望在机器学习算法分类的基础上更具体一些，一种方法是通过分析机器学习任务能解决的问题类型，对任务进行细化：　　分类　　一种监督学习问题，其中要学习的答案是有限多个可能值之一；例如，在信用卡示例中，该算法必须学习如何在“欺诈”与“诚信”之间找到正确的答案，在仅有两个可能的值时，我们

机器学习算法建模

映射）关系。这样的(X、Y)对构成了用于建立模型的标签数据，以便学习如何从输入中预测输出。    无监督学习：是一种只利用输入X变量的机器学习任务。X变量是未标记的数据，学习算法在建模时使用的是数据的固有结构。    强化学习：是一种决定下一步行动方案的机器学习任务，它通过试错学习（trial

机器学习正交化

分是错的，它在训练集上做的不好、在开发集上做的不好、它在测试集上做的不好，或者它在测试集上做的不错，但在现实世界中不好，这就很好。必须弄清楚到底是什么地方出问题了，然后我们刚好有对应的旋钮，或者一组对应的旋钮，刚好可以解决那个问题，那个限制了机器学习系统性能的问题。 from:结构化机器学习项目--学习笔记

可信机器学习（1）

一、背景随着机器学习模型性能不断强大，它们更加广泛地进入人们的生活，模型的可信性变得尤为重要。人们对模型 “可信” 的要求涵盖很多方面：一个训练好的模型部署到实际中，需要在未知的分布迁移下保持准确预测；为了使用者理解、验证和采信模型做出的高风险预测，模型需要向用户解释其推理过程；

联邦机器学习背景

或者说所需的成本是巨大的。随着人工智能的进一步发展,重视数据隐私和安全已经成为了世界性的趋势。每一次公众数据的泄露都会引起媒体和公众的极大关注,例如Facebook的数据泄露事件就引起了大范围的抗议行动。  同时各国都在加强对数据安全和隐私的保护,欧盟最近引入的新法案《通用数据保护条例》(General

机器学习算法选择

不需要提前知道聚类簇数量。基于图的聚类算法有谱聚类和近邻传播。谱聚类利用相似度矩阵的特征向量进行聚类,近邻传算法的基本思想是将数据样本点看作网络的节点,然后通过网络中各边的消息传递计算出各样本的聚类中心。与传统的聚类算法相比,近邻传播算法特别适合高维、多类数据的快速聚类,在聚类性能和效率方面都有大幅度的提升

【转载】机器学习分类

机器学习主要步骤

提高模型的精度；评估模型:通过比较结果与测试数据集的准确度来评估模型。重要的是不要对用于训练系统的数据进行模型评估，以确保无偏差的和独立的测试；部署和改进:这可以涉及到尝试完全不同的算法或者收集更多种类或更大数量的数据。例如，你可以通过使用房屋所有者提供的数据来预估今后的房屋升值

机器学习开发平台

TensorFlow，Pytorch，Caffe等，作为初学者，用哪个平台比较合适？有什么推荐没，谢谢

训练loss不下降原因

损失函数的选择要根据具体的任务和模型来确定，不同的损失函数对模型的训练过程和结果有着不同的影响。在训练过程中，模型通过计算损失函数的值来更新模型的参数，以减小预测值与真实值之间的差异，并使模型的性能逐步提升。优化算法的目标是寻找能够最小化损失函数的参数值。 总而言之，损失函数是用来衡量模型预测结果与

机器学习中文资源概览

回归当作一个简单的神经网络，可视化（以 2D 实例为例）权重向量在学习过程中的移动轨迹。我还建议本节应包括超参数网格搜索。网格搜索不在没有完整了解的情况下尝试不同的值，而是评估不同的超参数集的性能。因此，工程师可以将注意力集中在可达到最高准确率的组合上。当然还有更加强大的贝叶斯优化方

《Python数据挖掘与机器学习实战》—1.4 机器学习的应用

据集上的实验得到了0.9%的错误率，被用于银行手写支票识别。这也是CNN的成功案例之一。　　2006年，Hinton用一个拥有3个隐藏层、170多万权重的深度置信网络在MNIST手写特征识别的数据集上进行训练，在没有对样本进行预处理的情况下，在1万条左右的测试集上，错误率为1.2

[机器学习实战札记] 朴素贝叶斯

阐述条件概率的概念。7块石头，3块是灰色的，4块是黑色的，放入两个桶A和B，A桶放4块石头（2块灰色，2块黑色），B桶放3块石头（1块灰色，2块灰色）。计算从B桶中取到灰色石头的概率的方法，就是所谓的条件概率。这里的已知条件是石头取自B桶且B桶有3块石头。用公式表示为：P(gray

机器学习算法：AdaBoost

Boost）的核心思想是：如果一个弱分类器的分类效果不好，那么就构建多个弱分类器，综合考虑它们的分类结果和权重来决定最终的分类结果。很多人认为AdaBoost是监督学习中最强大的两种算法之一（另一个是支持向量机SVM）。AdaBoost的训练过程如下：为每个训练样本初始化相同的权重；针

【机器学习】（1）：绪论

由于工作的关系，开始接触机器学习这个技术领域，虽然自己的工作看似和机器学习关系不大，但是利用机器学习进行大数据的分析却是至关重要的。因此从今天开始自己再开始一个关于“机器学习”的系列笔记，将主要记录整理自己学习的收获。今天是对于机器学习的一个基本的介绍。一、什么是机器学习？为什么需要机器学习？

机器学习的练功心法（一）——机器学习概述

其他需要巩固的知识；数学基础用李航老师的统计学习方法来补足；而西瓜书作为另类的理解加强你对机器学习的学习。 机器学习近年来之所以这么火的原因是因为网络和自动化技术的发展，这也意味着我们拥有大量的数据集，通过机器学习对这些大量的数据集进行分析，可以挖掘出有用的信息为我们所用。

SpringBoot项目出现: Invalid bound statement (not found)可能原因

性和Dao层接口的全路径值不一样(这个原因最有可能),xml可以不喝Dao层的接口放在同一个包下,只需要在配置文件出设置mapper的映射地址即可。 格式: mybatis  mapper-locations: mappper文件所在的地址 2、mapper文件中的sql语句书写存在错误