机器学习心得

作为一个刚刚接触机器学习的小白，最近看了些Andrew Ng课中回归的知识，写一写自己的一些心得。 分析一个简单的小例子 回归的目的是为了使预测的函数能够更好的拟合我们给定的数据。我们先假设只在二维平面中，用一条直线去拟和一条曲线。 假设我们需要用一条直线： **hθ（X）= θ0 + θ1X1** ① 去拟合一条抛物线 **Y = X**...

第一次接触机器学习的东西，现在看到《机器学习实战》第五章，分享一下学习心得 Logistics回归就是为了找一条能够进行尽最大能力进行分类的拟合线，包括直线和曲线，但是要符合函数，也就是说这条线可以用函数进行表达，不然不能够进行分类。 如上图所示，要用一条直线将绿色的原点与红色的框点进行分成两类，很明显，无法用一条直线能够将他们完全正确的进行分类，因此需要找到一条拟合线尽最

目录 1、数据抽象 2、设定性能度量指标 3、数据预处理 4、选定模型 4.1、方法与目的 4.2、目的与方法 5、训练及优化 6、应用 这段时间把《机器学习》看了一遍，总的来说，除了前两章是基础，其余章节都是介绍模型方法，应用场景、理论推导、优化过程、算法等，每章都可独立阅读而不受其他章节影响。 如果只是每一章都看完，顶多就是了解了一种方法，相互之间是割裂的，这样当碰到一个实...

机器学习心得总结： 机器学习算法【（KNN、线性回归、多项式回归、逻辑回归、模型正则化、PCA）（SVM、决策树、随机森林、集成学习、模型选择、模型调整）】 会涉及到算法原理、算法应用场景、算法之间对比、同种算法不同参数对比、部分算法底层编写 介绍如何使用算法:1、如何评价算法好坏。2、如何解决过拟合和欠拟合。3、如何调节算法的参数。4、如何验证算法的正确性。 ...

前段时间，google的alphaGo让大家的眼睛都聚焦到这一“人工智能”上了。那么就当时应景吧，写一写我关于机器学习的一些笔记及认识，内容主要根据在Coursera上Andrew Ng大神的课程来做笔记。 首先，什么是机器学习？ 参照百度百科的讲解，“机器学习是一门多领域交叉学科，设计概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究...

文章目录前言一、贝叶斯方法二、贝叶斯公式三、朴素贝叶斯原理四、朴素贝叶斯案例总结 前言 朴素贝叶斯 一、贝叶斯方法 贝叶斯分类：贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。 先验概率：根据以往经验和分析得到的概率。我们用𝑃(𝑌)来代表在没有训练数据前假设𝑌拥有的初始概率。 后验概率： 根据已经发生的事件来分析得到的概率。以𝑃(𝑌|𝑋)代表假设𝑋 成立的情下观察到𝑌数据的概率，因为它反映了在看到训练数据𝑋 后𝑌成立的置信度。 联合概率： 联合概率是指在多元的概率分布

欢迎使用Markdown编辑器写博客 本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦： Markdown和扩展Markdown简洁的语法 代码块高亮 图片链接和图片上传 LaTex数学公式 UML序列图和流程图 离线写博客 导入导出Markdown文件 丰富的快捷键 快捷键 加粗 Ctrl + B 斜体 Ctrl + I...

我是一名机器学习小白，目前正在自学机器学习相关内容，打算每天将自己的学习心得发出来，供大家批评指正。 我主要用的是MATLAB做相关的学习，所以之后的分享大都与此相关。 首先给大家分享一些MATLAB做机器学习的相关源代码，有需要的自取哦 https://pan.baidu.com/s/1skFMkoP?errno=0&errmsg=Auth%20Login%20Sucess&amp...

一、序言 微软的机器学习框架于2018年5月出了0.1版本，2019年5月发布1.0版本。期间各版本之间差异（包括命名空间、方法等）还是比较大的，随着1.0版发布，应该是趋于稳定了。之前在园子里也看到不少相关介绍的文章，对我的学习提供了不少帮助。由于目前资料不是很丰富，所以学习过程中也走了不少弯路，本系列的文章主要记录我学习过程中的一些心得体会，并对一些细节会做详细的解释，希望能为...

1.首先，机器学习是什么？机器学习，就是“根据所给数据，寻找一个函数，给出适当输出”。通过这个函数，我们可以给它一个输入，得到理想的、正确的输出。我们通常需要给它数据，训练一个机器的学习能力。例如：Speech Recognition就是我们给它一段音频，它给我们识别，输出这个音频说的内容是什么。2.机器学习的大致步骤：机器学习，虽然分为很多种，但大致都有三个步骤：1）确定Model：Model就...

学习或专研一样东西真的需要常年累月的积累，很久没写博客了，以后坚持记录，督促进步。学了一年多的机器学习，讲真是在东边学一点，西边凑一点。从机器学习算法，到NLP，舆情，图像处理，神级网络，似乎都了解了一下，但是也都不怎么熟悉。回想看来还是得一项一项，围绕专题与算法研究来学习，才能有实质的进步。编程必不可少，编程的过程能思考很多实施上的问题，也能加深对算法的理解和调参的理解。机器学习的步骤：数据的搜...

2019独角兽企业重金招聘Python工程师标准>>> ...

主成分分析（PCA, Principal Component Analysis）：通过线性变换将数据转换到新的坐标系，使得新坐标系的第一主成分具有最大的方差，第二主成分具有第二大的方差，依此类推。- 层次聚类（Hierarchical Clustering）：通过创建一个聚类树来组织数据，可以是自底向上的聚合（凝聚）或自顶向下的分裂（分裂）。过拟合也很好理解，就比如举个例子：恋爱时如果一方的投入比另一方多，那么被投入的一方可能会反感，解决办法就是要么相互奔赴，要么互相留点空间，慢慢培养感情。

这段时间利用下班晚上和周末在家的时间把《机器学习》看了一遍，总的来说，除了前两章是基础，其余章节都是介绍模型方法，应用场景、理论推导、优化过程、算法等，每章都可独立阅读而不受其他章节影响。 如果只是每一章都看完，顶多就是了解了一种方法，相互之间是割裂的，这样当碰到一个实际问题，仍然无法思路完整的求解，因而有必要在阅读时就要有意识甚至刻意的建立起知识架构。实际上，所谓的机器学习，是面对一个

自己是电气工程学院自动化专业的学生，将来想要研究机器人方向，但我看约翰马尔科夫的《与机器人共舞》，感想就是机器人与人工智能联系极其紧密，而我在本科阶段却没有修读过有关人工智能方面的课程，只是学过Python，用过flask框架搭网页，去西澳大学的暑期科研做了一点traffic sign recognition的工作，但对于机器学习本身却不甚了了，所以还是很有必要好好学习基础知识。 2017年9月...