机器学习

  • 【机器学习】李宏毅——Explainable ML(可解释性的机器学习)

    本文介绍了Explainable ML(可解释性的机器学习)的相关内容,抱愧这项技术的相关概述、当前发展等等。 在前面的学习之中,我们已经学习了很多的模型,它能够针对特定的任务,接受我们的输入并产生目标的输出。但我们并不满足于此,我们甚至希望机器告诉我们,它是如何得到这个答案的,而这就是可解释的机器学习。 Why we need Explainable ML…

    2023年4月17日
    00
  • 【机器学习基础】集成学习回顾及总结

    之前有将集成学习中的随机森林、GBDT、XGBoost等算法进行一一介绍,明白了每个算法的大概原理,最近复习了一下李宏毅老师的集成学习的课程,忽然对集成有了更清晰的认识,这里做一个回顾和总结。 集成学习回顾及总结 集成学习从直观的意思来说,就是合众人之力来解决一个问题,而每个人所起的作用又不相同,最终把大家的力量进行“集成”,从而得到更优的方案。 在前面线性…

    2023年4月17日
    00
  • 机器学习之路: tensorflow 自定义 损失函数

       git: https://github.com/linyi0604/MachineLearning/tree/master/07_tensorflow/   1 import tensorflow as tf 2 from numpy.random import RandomState 3 4 ”’ 5 模拟一个回归案例 6 自定义一个损失函数为: …

    机器学习 2023年4月16日
    00
  • 【网易】2018秋招笔试(机器学习算法岗)

    1. 魔法币 DESCRIPTION 小易准备去魔法王国采购魔法神器,购买魔法神器需要使用魔法币,但是小易现在一枚魔法币都没有,但是小易有两台魔法机器可以通过投入x(x可以为0)个魔法币产生更多的魔法币。魔法机器1:如果投入x个魔法币,魔法机器会将其变为2x+1个魔法币魔法机器2:如果投入x个魔法币,魔法机器会将其变为2x+2个魔法币小易采购魔法神器总共需要…

    机器学习 2023年4月16日
    00
  • 机器学习面试问题6

    以下内容接机器学习面试问题5. 神经网络参数相关 参数的范围 目前还没有明确的参数范围,只有个人总结性的原则。如下: 网络参数确定原则: ①、网络节点 网络输入层神经元节点数就是系统的特征因子(自变量)个数,输出层神经元节点数就是系统目标个数。隐层节点选按经验选取,一般设为输入层节点数的75%。如果输入层有7个节点,输出层1个节点,那么隐含层可暂设为5个节点…

    机器学习 2023年4月16日
    00
  • 机器学习 —— 概率图模型(Homework: Exact Inference)

      在前三周的作业中,我构造了概率图模型并调用第三方的求解器对器进行了求解,最终获得了每个随机变量的分布(有向图),最大后验分布(双向图)。本周作业的主要内容就是自行编写概率图模型的求解器。实际上,从根本上来说求解器并不是必要的。其作用只是求取边缘分布或者MAP,在得到联合CPD后,寻找联合CPD的最大值即可获得MAP,对每个变量进行边缘分布求取即可获得边缘…

    机器学习 2023年4月16日
    00
  • 机器学习之分类回归树(python实现CART)

    之前有文章介绍过决策树(ID3)。简单回顾一下:ID3每次选取最佳特征来分割数据,这个最佳特征的判断原则是通过信息增益来实现的。按照某种特征切分数据后,该特征在以后切分数据集时就不再使用,因此存在切分过于迅速的问题。ID3算法还不能处理连续性特征。下面简单介绍一下其他算法: CART 分类回归树 CART是Classification And Regerss…

    机器学习 2023年4月16日
    00
  • 机器学习性能评估指标

      因为接触到机器学习的部分知识,不是很懂。以下内容来自知乎,作为笔记留存。   作者原文博客:http://charleshm.github.io/2016/03/Model-Performance/  作者:Charles Xiao   链接:https://www.zhihu.com/question/19645541/answer/91694636 …

    机器学习 2023年4月16日
    00
  • Machine Learning 之一,什么是机器学习。

    Machine Learning  机器学习,什么是机器学习。我觉得尚学堂的培训老师讲的很不错,就是两个字来介绍。——拟人。 就是模拟人类的思维方式。 老师举的例子: 和女朋友约会,第一次约会,约定是晚上七点到,但是女朋友7点十分才到。 第二次,约会,约定也是晚上七点到,但是女朋友还是7点十分才到。 那么第三次呢,这位男同志就可能会通过前两次约会的经…

    机器学习 2023年4月16日
    00
  • 机器学习之主成分分析(PCA&特征选择)

    特征选择   特征选择对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能,更能帮助我们理解数据的特点、底层结构,这对进一步改善模型、算法都有着重要作用。 特征选择主要有两个功能: (1)减少特征数量、降维,使模型泛化能力更强,减少过拟合 (2)增强对特征和特征值之间的理解   拿到数据集,一个特征选择方法,往往很难同时完成这两个目的。…

    机器学习 2023年4月16日
    00
合作推广
合作推广
分享本页
返回顶部