机器学习的一些很好的博客

机器学习等深度好文总结

https://my.csdn.net/jiangjunshow

GBDT（MART） 迭代决策树

我们都知道 AI 的核心驱动力是机器学习，所以只要掌握了常见的机器学习算法以及工具，完全可以做出非常酷的AI产品。最近几年 AI 的发展突飞猛进，产生了大量成熟的工具，这...

http://blog.csdn.net/zouxy09/article/details/8775488 目录： 一、概述 二、背景 三、人脑视觉机理 四、关于特征        4.1、特征表示的粒度        4.2、初级（浅层）特征表示        4.3、结构性特征表示        4.4、需要有多少个特征？

给大家推荐一本非常好的书《 机器学习系统：设计和实现》 双击这里 《 机器学习系统：设计和实现》 特别是 AI编译器那一章写的非常好

百科：切勿浪费较多东西去做，用较少的东西，同样可以做好的事情。" 简 单 性 原 则 （1）在机器学习中选择算法时，其含义是：在其他条件一样的情况下，选择简单的那个。 （2）李航《统计学方法》一书中，在应用于模型选择时可以理解为：在所有可能选择的模型中，能够很好地解释已知数据并且十分简单才是最好的模型，也就是应该选择的模型。正则化就符合奥卡姆剃刀原理。 ...

patchtst,segrnn,dsformer,在训练集上预测差，为什么在测试集上预测很好,请大佬解疑。

wok，我感觉人家写的太好了，而且恰到好处，现在写八成都是抄的，不划算。机器学习部分先欠着，等我期末复习时候再写。

Numpy实现一个简单的机器学习模型 本实例使用numpy实现机器学习，相对于pytorch这类包而言需要花费的代码多一点，但是每一步都是透明的，有利于理解每一步工作原理. 首先我们应该明确基本步骤： 基于函数式y = 3x ^ 2 + 2 得到一些数据，另外加上一些噪音数据到达另一组数据y。 构建一个机器学习模型来学习表达式y = wx^2 + b 的两个参数w 、b .利用数组x, y的数据为训练数据。 采用梯度下降法来通过多次迭代学习到w、b的值。 导入必要库 import numpy as n

了解基本的机器学习概念并不难。有大量免费的在线博客文章、视频和编码教程可以引导您了解基础知识——从介绍性内容到常见应用程序，再到算法和应用技能。这篇文章总结了一些用于介绍 ML 的最佳免费选项。它按逻辑顺序排列，每个概念都建立在上一个概念的基础上。

##计划的由来## 我们是一群对机器学习感兴趣的小伙伴，对于神奇的机器学习经常有“一探究竟”的冲动，却因为孤身一人学习的寂寞、亦或繁忙考试工作之余的小小拖延症，而没有持续这份对知识的渴求和热情。 由于深感类似情况的小伙伴之多，我们希望建立一个“ML学分计划”——机器学习的学习和分享计划——来帮助我们一起更高效地学习、更集中地整理分享我们的知识和经验。因为我们也深信”证明自己真的透彻理解一个知识，最好

我使用的VS2019版本，具体安装过程就不赘述了 这边我已经安装完了，就不演示了，安装过程可以自行。 后面我来展示下如何引用C#ML.NET 1创建项目 首先创建C#控制台项目 点击下一步就完成了，初始项目的创建 这个是建立完之后的初始项目 2数据准备 在使用ML.NET的时候需要准备好数据（数据可以从文件/数据库中获取） 我这边演示从文件中建立好，本次预测的销售额度 前期个人学习比较推荐使用EXCEL文件存入标本数据（需要转CSV文件）...

机器学习基础【ML】

人工智能是一个涵盖任何可以取代人类的基本、基于规则的代理系统的广泛主题运算符、ML 和 DL。但是机器学习单独是另一个广泛的主题。它涵盖了几种算法，从基本的线性回归到非常深度卷积神经网络(CNN)。在传统编程，无论我们使用哪种语言或框架，开发和构建应用程序的过程都是相同的。相比之下，ML 有各种各样的算法，有时，它们需要完全不同的方法来利用和构建模型。例如，生成对抗网络(GAN)，它是一种用于许多用于生成假人脸的创造性 ML 模型的训练方式与基本决策树模型不同。

🚀 欢迎来到机器学习可视化的精彩世界！ML Visuals是一个革命性的开源项目，专门为机器学习研究者和开发者提供专业、免费的可视化资源库。无论你是学术研究者、工程师还是技术博主，都能在这里找到完美的视觉素材。 ## 为什么选择ML Visuals？✨ **免费开源优势**：所有图形资源完全免费开放，基于Google Slides平台维护，任何人都可以轻松贡献新的视觉素材或复用现有组件进行自

AI、机器学习和深度学习之间的关系深度学习在2000年代中期的复兴使人们重新关注人工智能和机器学习的连接主义方法。深度学习的复兴，高速图形处理单元（GPU）的可用性，大数据的出现以及来自谷歌，Facebook，亚马逊，微软和IBM等公司的投资创造了一场完美的风暴，推动了人工智能的复兴。 在过去的十年中，机器学习取得了一系列惊人的进步。这些突破正在扰乱我们的日常生活，并在您能想到的几乎每个垂直领域产生影响。这绝不是机器学习用例的详尽列表，但它表明了每个行业正在发生的许多创新。零售业是最早获得机器学习好处的行业

2016 年 11 月，谷歌宣布将其多语言神经机器翻译系统整合到谷歌翻译中，标志着深度人工神经网络在大规模生产中的首批成功案例之一。1据 Google 称，通过此次更新，翻译质量的一次飞跃提升幅度超过了过去 10 年的总和。深度学习的这种成功更新了对机器学习 (ML) 的广泛兴趣。从那时起，越来越多的公司转向机器学习来解决他们最具挑战性的问题。在短短五年内，机器学习几乎进入了我们生活的方方面面：我们如何获取信息、我们如何沟通、我们如何工作、我们如何找到爱。ML 的传播是如此之快，以至于已经很难想象没有它的生