机器学习

2.2 Multinomial variables多项变量的分布     考虑多项变量即K个互斥变量(可能取值)，使用1-of-K方式表示为K维向量x，其中某个向量xk=1，且其他向量=0。例如某个变量发生，对应向量为x3，则x3=1 ：              xk=1发生的概率为μk，那么x的分布为：              这里，且，该分布可以看作…

2022年6月，HMS Core机器学习服务面向开发者提供一项全新的开放能力——同声传译，通过AI语音技术减少资源成本，加强沟通交流，旨在帮助开发者制作丰富多样的同声传译应用。 HMS Core同声传译涵盖了机器学习服务的语音识别、翻译、语音合成等核心技术，首先把输入的实时语音转换成文字，然后再把文字翻译成另一种语言的文字，最后把翻译后的文字转换成语音播放。…

监督学习（Supervised learning）： 监督学习即具有特征（feature）和标签（label）的，即使数据是没有标签的，也可以通过学习特征和标签之间的关系，判断出标签——分类。 简言之：提供数据，预测标签。比如对动物猫和狗的图片进行预测，预测label为cat或者dog。 通过已有的一部分输入数据与输出数据之间的对应关系，生成一个函数，将输入…

参见原书2.1-2.2节 新数据集就像一个包装好的礼物，它充满了承诺和希望！ 但是直到你打开前，它都保持神秘！     一、基础问题的架构、术语，机器学习数据集的特性   通常，行代表实例，列代表属性特征   属性，实例中用于预测的数据其他名称：预测因子 特征 独立变量 输入   标签，需要预测的数据其他名称：结果 目标 依赖变量 响应   2.1.1属性和…

参见原书1.5节 构建预测模型的一般流程 问题的日常语言表述->问题的数学语言重述重述问题、提取特征、训练算法、评估算法 熟悉不同算法的输入数据结构：1.提取或组合预测所需的特征2.设定训练目标3.训练模型4.评估模型在训练数据上的性能表现 机器学习：开发一个可以实际部署的模型的全部过程，包括对机器学习算法的理解和实际的操作 通常，有非常切实的原因，导…

1.1 　　表 \(1.1\) 中若只包含编号为 \(1\) 和 \(4\) 的两个样例, 试给出相应的版本空间. 　　这应该不难理解吧，直接上表格. 编号 色泽 根蒂 敲声 好瓜 \(1\) 青绿 蜷缩 浊响 是 \(4\) 乌黑 稍蜷 沉闷 否 1.2 　　**与使用单个合取式来进行假设表示相比, 使用 “析合范式” 将使得假设空间具有更强的表示能力. …

  作业：P64，2.5节，4：   考虑上机题2中的3个类别，设p（wi）=1/3 （a）以下各测试点与上机练习2中各类别均值间的Mahalanobis距离分别是多少： （1，2，1）t，（5，3，2）t，（0，0，0）t，（1，0，0）t （b）对以上各点进行分类。 （c）若设p（w1）=0.8，p（w2）=p（w3）=0.1，再对以上测试点进行分类。 …

　　买了王斌老师翻译的《机器学习实战》一书，里面全是干货，既可以练python，又可以学习机器学习算法知识，挺不错的，学习一些东西这里分享下。 　　k-近邻算法（knn），它的核心思想就一句话，如果两个东西各方面属性都很相似，那么这两个东西属于同一类。k的意思是有很多东西和你要判断的东西相似（称作x）， 　那么找出和x各方面属性最相似的k个东西，如果这k个东…

在我们构建完机器学习模型，经常会遇到训练得到模型无法正确预测，这之后我们往往会采取下面的一些方案： 增加训练数据 减少特征的个数 增加更多的特征 增加多项式特征（X1*X2 …） 增大lambda的值 减小lambda的值 若是不了解模型具体的问题所在，而根据随便拿出一个方案去试错，这往往都是既费力又费心，往往个把月过去了仍然在进行模型的调试。 CV 数…

批归一化 内部协变量偏移 内部协变量偏移ICS指的是深度神经网络在训练时，随着参数的不断更新，中间隐藏层的输入分布发生较大差异，导致网络需要不断的适应新的数据分布，进而增加了学习难度。[传统解决方案：较小的学习率、合适的初始化参数] 梯度饱和 sigmoid激活函数和tanh激活函数在输入值过大或者过小的情况下，会出现梯度值非常接近于0的情况，使得网络的收敛…