内容选择
全部
内容选择
内容分类
  • 学堂
  • 博客
  • 论坛
  • 开发服务
  • 开发工具
  • 直播
  • 视频
  • 用户
时间
  • 一周
  • 一个月
  • 三个月
  • 机器学习 概述

    断改善自身性能。  它是人工智能核心,是使计算机具有智能根本途径,其应用遍及人工智能各个领域,它主要使用归纳、综合而不是演绎。  海量数据  获取有用信息机器学习 研究意义  机器学习是一门人工智能科学,该领域主要研究对象是人工智能,特别是如何在经验学习中改善具体

    作者: 我就是豆豆
    543
    0
  • 机器学习学术速递3[01.19]

    eosinophilic esophagitis reveals importance of global features标题:基于活检机器学习方法识别嗜酸性食管炎揭示了全局特征重要性作者:Tomer Czyzewski,Nati Daniel,Mark Rochman,Julie M. Caldwell

    作者: 角动量
    1008
    2
  • 分享机器学习趋势论文(二)

    Embed2Reason(E2R模型,这是一种受量子逻辑启发量子KG嵌入方法。该方法可以嵌入类(概念)、关系和实例。    这里面没有量子计算。量子逻辑理论(QL)最初是由伯克霍夫和冯诺依曼于1936年提出,用于描述亚原子过程。E2R作者把它借用过来保存KG逻辑结构。在QL中(因

    作者: 初学者7000
    1342
    3
  • 机器学习(十):朴素贝叶斯

    一、什么是朴素贝叶斯? 1.1 定义 朴素贝叶斯是一种基于贝叶斯定理统计分类技术。朴素贝叶斯分类器是基于贝叶斯定理分类算法集合。它不是一个单一算法,而是一个算法家族,所有这些算法都有一个共同原则,即每一对被分类特征是相互独立。 除了朴素贝叶斯,还有其它类型,比如: 多项朴

    作者: 川川菜鸟
    发表时间: 2022-08-04 15:58:41
    186
    0
  • 机器学习简介

    识到。这种行学习基于三个因素:    程序消耗数据;    量化当前行和理想行之间误差或某种形式距离度量;    使用量化误差指导程序在后续事件中产生更好行反馈机制。可以看出,第二个和第三个因素很快使这个概念变得抽象,并强调其深层数学根源。机器学习理论

    作者: QGS
    691
    2
  • 机器学习之深度学习简介

    深度学习 1. 深度学习介绍 2. 深度学习原理 3. 深度学习实现 深度学习 1. 深度学习介绍 深度学习(Deep learning)是机器学习一个分支领域,其源于人工 神经网络研究。 深度学习广泛应用在计算机视觉,音频处理,自然语言处理等诸多领 域。 人工神经网络(Artificial

    作者: 南蓬幽
    发表时间: 2022-06-28 07:19:06
    363
    0
  • 【大数据分析&机器学习】分布式机器学习

    能和算法设计问题,单台机器难以胜任,需要分布式机器学习架构。本文主要介绍分布式机器学习基础知识,并介绍主流分布式机器学习框架,结合实例介绍一些机器学习算法。 一、分布式机器学习基础 分布式机器学习一些核心问题: (1)如何提高各分布式任务节点之间网络传输效率; (2)如

    作者: Francek Chen
    发表时间: 2024-11-26 11:52:04
    717
    0
  • 浅学XGBoost机器学习分类算法

    设它为凸函数,模型对训练样本预测训练样本真实标签。正则化项定义了模型复杂程度:其中,和为人工设置参数,w决策树所有叶子节点形成向量,T叶子节点数。Boost核心算法1.不断地添加树,不断地进行特征分裂来生长一棵树,每次添加一个树,其实是学习一个新函数f(x)

    作者: QGS
    32
    1
  • 机器学习算法介绍—回归算法

    来求解。“最小二乘法”思想是这样,假设我们拟合出直线代表数据真实,而观测到数据代表拥有误差。为了尽可能减小误差影响,需要求解一条直线使所有误差平方和最小。最小二乘法将最优问题转化为求函数极值问题。函数极值在数学上我们一般会采用求导数0方法。但这种做法并不适

    作者: ypr189
    879
    2
  • 机器学习算法:AdaBoost

    Boost)核心思想是:如果一个弱分类器分类效果不好,那么就构建多个弱分类器,综合考虑它们分类结果和权重来决定最终分类结果。很多人认为AdaBoost是监督学习中最强大两种算法之一(另一个是支持向量机SVM)。AdaBoost训练过程如下:每个训练样本初始化相同权重;针

    作者: 技术火炬手
    发表时间: 2018-08-29 09:41:14
    3582
    0
  • 机器学习学术速递1[01.19]

    Similarity Embeddings for Generalization in Reinforcement Learning标题:强化学习中用于泛化对比行相似嵌入作者:Rishabh Agarwal,Marlos C. Machado,Pablo Samuel Castro,Marc

    作者: 角动量
    1076
    2
  • [机器学习|理论&实践] 创新与机器学习在游戏开发应用

    于玩家得分、任务完成情况等。设计合理奖励信号有助于引导智能体学习到期望。 1.2.3 策略与函数 强化学习中,智能体需要学习一个策略,即在给定状态下选择合适动作概率分布。同时,函数被用于评估状态或状态-动作对好坏。在游戏中,智能体策略和函数学习直接影响其在游戏中的表现。

    作者: Y-StarryDreamer
    发表时间: 2023-12-09 22:50:24
    23
    0
  • 机器学习方法论-笔记

    然后对特征进行分类。    然而,这种分类效果,高度取决于特征选取好坏。传统机器学习专家们,把大部分时间都花在如何寻找更加合适特征上。因此,早期机器学习专家们非常苦逼,故此,传统机器学习,其实可以有个更合适称呼——特征工程(feature engineering)。

    作者: 运气男孩
    1021
    4
  • 深度学习会逐步取代传统机器学习吗?

    近几年媒体大肆针对深度学习宣传及报道,而深度学习是被证明为最先进性能最好技术之一,那它会不会逐步取代传统机器学习了?

    作者: 建赟
    1454
    6
  • 机器学习算法选择(分类二)

    据集比较大情况,首先选择基于决策树集成学习方法。当然,其他不同模型也都可以与不同集成学习策略相结合,进一步提升模型效果,但集成学习通常也会使模型更加复杂,增加训练和推理计算成本。

    作者: 黄生
    10
    0
  • 机器学习笔记之性能度量

    学习泛化性能进行评估,不仅需要有效可行实验估计方法,还需 要有衡量模型泛化能力评价标准,这就是性能度噩(performance measure).性能度最反映了任务需求,在对比不同模型能力时,使用不同性能度量往往会导致不同评判结果;这意味着模型 “好坏 ” 是相对的,什么样的模型

    作者: ypr189
    714
    1
  • 机器学习笔记之NFL定理

    最重要寓意,是让我们清楚地认识到,脱离具体问题,空泛地谈论 “什么学习算法更好” 毫无意义,因为若考虑所有潜在问题,则所 有学习算法都一样好.要谈论算法相对优劣,必须要针对具体学习问题;在 某些问题上表现好学习算法,在另一些问题上却可能不尽如人意,学习算法自身归纳偏好

    作者: ypr189
    942
    4
  • 机器学习生命周期

    本专栏用于自学笔记记录,如有不当,请谅解,喷子请绕道。 机器学习使计算机系统能够自动学习而无需明确编程。但是机器学习系统是如何工作呢?所以,可以用机器学习生命周期来描述。机器学习生命周期是构建高效机器学习项目的循环过程。生命周期主要目的是找到问题或项目的解决方案。

    作者: 川川菜鸟
    发表时间: 2022-06-03 15:55:47
    259
    0
  • 机器学习学术速递3[01.17]

    Grid Emergency Control via Deep Meta Reinforcement Learning标题:基于深元强化学习电网应急控制学习与快速适应作者:Renke Huang,Yujiao Chen,Tianzhixi Yin,Qiuhua Huang,Jie Tan

    作者: 角动量
    958
    1
  • 机器学习笔记之评估方法

    通常,我们可通过实验测试来对学习泛化误差进行评估并进而做出选择为此,需使用一个 “测试集” (testing set)来测试学习器对新样本判别能力,然后以测试栠上 " 测试误差” (testing error)作为泛化误差近似. 通常我们假设测试样本也是从样本真实分布中独立同分布采样曲得.

    作者: ypr189
    723
    1