<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Jim1235的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Jim1235</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Jim1235]]></copyright><item><title><![CDATA[GPT4需不需要升级到GPT-4o]]></title><link>https://blog.youkuaiyun.com/Jim1235/article/details/141192558</link><guid>https://blog.youkuaiyun.com/Jim1235/article/details/141192558</guid><author>Jim1235</author><pubDate>Wed, 14 Aug 2024 15:39:55 +0800</pubDate><description><![CDATA[GPT-4o和GPT4各有千秋。GPT-4o的多模态支持和实时推理能力使其在处理复杂任务时更具优势，而GPT4则在纯文本处理领域依然是一个强大的工具。用户在选择模型时，应根据具体需求和场景来决定。GPT-4o和GPT4作为人工智能领域的先进模型，各自展现出独特的特点和优势。本文将深入探讨这两者的主要区别。]]></description><category></category></item><item><title><![CDATA[GPT-4o与GPT-4o Mini：对比两者的优势与局限]]></title><link>https://blog.youkuaiyun.com/Jim1235/article/details/141189789</link><guid>https://blog.youkuaiyun.com/Jim1235/article/details/141189789</guid><author>Jim1235</author><pubDate>Wed, 14 Aug 2024 14:16:56 +0800</pubDate><description><![CDATA[GPT-4o的优势GPT-4o的局限GPT-4o Mini的优势GPT-4o和GPT-4o Mini作为先进的人工智能语言模型，各自在特定领域展现出独特的优势。本文将深入探讨这两者的特点，对比它们的优势与局限。]]></description><category></category></item><item><title><![CDATA[机器学习之朴素贝叶斯]]></title><link>https://blog.youkuaiyun.com/Jim1235/article/details/104057001</link><guid>https://blog.youkuaiyun.com/Jim1235/article/details/104057001</guid><author>Jim1235</author><pubDate>Mon, 20 Jan 2020 23:08:21 +0800</pubDate><description><![CDATA[朴素贝叶斯是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。朴素贝叶斯原理简单，也很容易实现，多用于文本分类，比如垃圾邮件过滤。
预备知识
先验概率与后验概率
先验概率：
通俗来说，对于某一个概率事件，我们都会有基于自己已有的知识，对于这个概率事件会分别以什么概率出现各种结果会有一个预先的估计，而这个估计并未考虑到任何相关因素。
举例来说，假如你考试没及格，老师要求大家拿卷子回家给爸妈...]]></description><category></category></item><item><title><![CDATA[聚类]]></title><link>https://blog.youkuaiyun.com/Jim1235/article/details/104055125</link><guid>https://blog.youkuaiyun.com/Jim1235/article/details/104055125</guid><author>Jim1235</author><pubDate>Mon, 20 Jan 2020 20:59:14 +0800</pubDate><description><![CDATA[聚类
相关概念
1、无监督学习：
无监督学习是机器学习的一种方法，没有给定事先标记过的训练示例，自动对输入的数据进行分类或分群。无监督学习的主要运用包含：聚类分析、关系规则、维度缩减。它是监督式学习和强化学习等策略之外的一种选择。 一个常见的无监督学习是数据聚类。在人工神经网络中，生成对抗网络、自组织映射和适应性共振理论则是最常用的非监督式学习。
2、聚类：
聚类是一种无监督学习。聚类是把相似的对...]]></description><category></category></item><item><title><![CDATA[决策树]]></title><link>https://blog.youkuaiyun.com/Jim1235/article/details/104054470</link><guid>https://blog.youkuaiyun.com/Jim1235/article/details/104054470</guid><author>Jim1235</author><pubDate>Mon, 20 Jan 2020 17:40:46 +0800</pubDate><description><![CDATA[决策树
决策数(Decision Tree)在机器学习中也是比较常见的一种算法，属于监督学习中的一种。
它每个节点验证数据一个属性,根据该属性进行分割数据,将数据分布到不同的分支上,直到叶子节点,叶子结点上表示该样本的label. 每一条从根节点到叶子节点的路径表示分类[回归]的规则.
Sklearn接口
import numpy as np
import matplotlib.pyplot as...]]></description><category></category></item><item><title><![CDATA[逻辑回归]]></title><link>https://blog.youkuaiyun.com/Jim1235/article/details/103980698</link><guid>https://blog.youkuaiyun.com/Jim1235/article/details/103980698</guid><author>Jim1235</author><pubDate>Tue, 14 Jan 2020 22:31:30 +0800</pubDate><description><![CDATA[逻辑回归
使用三种方法实现：
1、使用sklearn
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

%matplotlib inline

df_X = pd.read_csv('./logistic_x.txt', sep='\ +',header=None, engine='python') #读...]]></description><category></category></item><item><title><![CDATA[线性回归]]></title><link>https://blog.youkuaiyun.com/Jim1235/article/details/103941091</link><guid>https://blog.youkuaiyun.com/Jim1235/article/details/103941091</guid><author>Jim1235</author><pubDate>Sat, 11 Jan 2020 22:23:46 +0800</pubDate><description><![CDATA[文章目录线性回归线性回归原理线性回归一般形式线性回归的优化方法1、梯度下降法2、最小二乘法矩阵求解3、牛顿法4、拟牛顿法
线性回归
线性回归原理
线性回归本质上是数学上的线性逻辑关系。线性回归适用于X和y之间存在线性关系的数据集，可以使用计算机辅助画出散点图来观察是否存在线性关系。例如我们假设房屋价格和房屋面积之间存在某种线性关系。
线性回归得出的模型不一定是一条直线，在只有一个变量的时候，模型是...]]></description><category></category></item><item><title><![CDATA[机器学习综述]]></title><link>https://blog.youkuaiyun.com/Jim1235/article/details/103894484</link><guid>https://blog.youkuaiyun.com/Jim1235/article/details/103894484</guid><author>Jim1235</author><pubDate>Wed, 08 Jan 2020 17:15:32 +0800</pubDate><description><![CDATA[Evernote Export
  
  
  
  
  



机器学习综述
机器学习分类：
机器学习模型
机器学习方法三要素：
机器学习模型选择和特征选择
机器学习参数调优
机器学习综述
对于世间的一切事情，场景复杂多变，面对不同的场景处理。机器学习就是教会计算机去学习，从而达到处理复杂场景的能力。
理论基础：
为了让机器学会学习，更好地推荐预测人类的需求，从而更好地为人类服务，让我...]]></description><category></category></item></channel></rss>