机器学习小笔记

最新推荐文章于 2024-09-23 18:11:31 发布
原创 最新推荐文章于 2024-09-23 18:11:31 发布 · 136 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习

机器学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 17万+
机器学习按照模型类型分为监督学习模型、无监督学习模型和概率模型三大类,文章对十大机器学习算法进行详细介绍并阐述机器学习其他概念问题，可作为机器学习初学者学习使用。
LambdaMART小结
木工南的博客
08-26 1052
pairwise
LambdaMART的源码分析：一（MART：回归树)
guoguo881218的专栏
12-31 2284
参考论文: From RankNet to LambdaRank to LambdaMART: An Overview（公式主要引用这个） GREEDY FUNCTION APPROXIMATION: A GRADIENT BOOSTING MACHINE （MART的思想） Adapting boosting for information retrieval measur
LambdaMART简介——基于Ranklib源码（二 Regression Tree训练）
周红伟讲AI
06-01 948
 LambdaMART简介——基于Ranklib源码（二 Regression Tree训练） 上一节中介绍了 λ λ 的计算，lambdaMART就以计算的每个doc的 λ λ 值作为label，训练Regression Tree，并在最后对叶子节点上的样本 lambda lambda 均值还原成 γ γ ，乘以learningRate加到此前的Regre
LambdaMART简介——基于Ranklib源码（一 lambda计算）
weixin_34112208的博客
08-09 782
学习Machine Learning，阅读文献，看各种数学公式的推导，其实是一件很枯燥的事情。有的时候即使理解了数学推导过程，也仍然会一知半解，离自己写程序实现，似乎还有一道鸿沟。所幸的是，现在很多主流的Machine Learning方法，网上都有open source的实现，进一步的阅读这些源码，多做一些实验，有助于深入的理解方法。 Ranklib就是一套优秀的Learning to Ran...
吴恩达机器学习笔记
weixin_49119476的博客
04-29 3089
机器学习分为监督学习和无监督学习、（强化学习）。监督学习（supervised learning)分为回归和分类问题。 无监督学习（unsupervised learning）有聚类、异常检测和降维三个应用。sigmoid函数对应，在最外层加入sigmoid函数（有点像激活函数），就是逻辑回归算法举例子，在cost function中加入额外式子作为新的cost function，会使得w3和w4权重减小。lambda:入，正则化参数红框可加可不加lambda的选择，过大或过小结果都不好
李宏毅机器学习笔记
weixin_49119476的博客
04-29 2490
m和sigma都考虑了过去所有的gradient。区别：momentum主要考虑方向sigma主要考虑大小momentus是为了增加历史运动的惯性，RMS是为了缓和步伐的大小，变得更平缓network弹性逐渐变小。receptive field + parameter share 即为 convolutional layer。使用卷积层的神经网络即为CNN。CNN有比较大的bias，但是是专门为影像设计，所以在这方面做的很好。
吴恩达 - 机器学习课程笔记（持续更新）
热门推荐
做一只猫的博客
02-26 3万+
吴恩达机器学习
2023春季李宏毅机器学习笔记 02 ：机器学习基本概念
女王の专属领地
01-02 1516
课程主页：https://speech.ee.ntu.edu.tw/~hylee/ml/2023-spring.php Github：https://github.com/Fafa-DL/Lhy_Machine_Learning B站课程：https://space.bilibili.com/253734135/channel/collectiondetail?sid=2014800
最全最细机器学习笔记__吴恩达
qq_45913945的博客
09-23 5629
吴恩达《Machine Learning》精炼笔记完整版，研一自用版，如果对大家有用，那我也很高兴，一起进步。
精选资源
林轩田-吴恩达机器学习笔记.pdf
09-22
林轩田和吴恩达的《机器学习基石》课程笔记详细地涵盖了机器学习领域的基础理论和核心概念。林轩田在课程中细致地讲解了机器学习中的关键问题，包括学习问题的本质、如何对Yes-No问题进行学习、不同类型的学习方法、...
精选资源
2025最新吴恩达机器学习笔记
最新发布
04-14
在2025年发布的吴恩达机器学习笔记中，我们可以看到关于机器学习基础、监督学习和非监督学习、线性回归、逻辑回归、过拟合、高级学习算法等核心概念的深入讲解。 监督学习是机器学习的一种方式，其中包括回归算法和...
精选资源
2022吴恩达机器学习笔记汇总(共10章节).zip
12-27
2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip...
精选资源
西瓜书机器学习的学习笔记（十分详细）
06-10
学习了机器学习的基础以及相关理论，颇有收获，并做了相关笔记，对于机器学习有了更为深入的理解，为以后的学习以及研究打下基础。 主要内容包含以下相关主题： - 模型的评估与选择 - 神经网络 - 支持向量机 - ...
精选资源
黑马python机器学习入门笔记
08-21
《黑马Python机器学习入门笔记》是一份针对初学者编写的指南，旨在帮助读者掌握Python语言在机器学习领域的基本应用。这份笔记将带你踏入这个充满无限可能的领域，通过Python这门易学且强大的编程语言，开启你的数据...
逻辑回归LR模型简介
MusicDancing的博客
08-04 7670
4. LR与线性回归的区别 1. 都是广义的线性回归，但LR可用于分类，在feature到结果的映射中加入了sigmoid()，实现了非线性。 2. 损失函数: 线性回归 --> 平方损失函数； LR --> 似然函数 3. 预测范围： 线性回归 --> 整个实数域（敏感度一致）； LR --> [0,1] ...
随机森林RF、GBDT、XGBoost的区别
MusicDancing的博客
08-14 7547
1. 随机森林 1.1 定义 RF是一个用随机方式建立的，包含多个决策树的集成分类器，其输出类别由各个树投票而定(回归树取平均)。 1.2 生成过程 假设样本总数为n，特征数为a。 1. 从原始样本中采用有放回抽样(bagginhg)的方法选取n个抽样。 2. 对n个样本选取a个特征重的随机k个，用于建立决策树的方法，获得最佳分割点。 3. 重复m次，获得m个决策树。 4. 对输入样例进行预测时，每个子树都产生一个结果，采用多数投票机制输出。 1.3 优点 1. 实现简单，训练速度
python 实现lgb训练及模型预测
MusicDancing的博客
11-27 6385
使用训练好的lightgbm对测试集打分，并保留预测结果。 # coding:utf-8 import pandas as pd import lightgbm as lgb import sys THRESHOLD = 0.28 # 设定截断阈值 data_input_path = sys.argv[1] # 数据输入路径 data_output_path = sys.argv[2] # 数据输出路径 model_file_path = sys.argv[3] # 模型路径 # 1.加载测试数据.
贝叶斯优化BayesianOptimization
MusicDancing的博客
05-19 5828
神经网络有很多超参数(学习率，正则等等)。如何寻找最好的超参数组合，穷举搜索 Grid Search 效率太低；随机搜索比穷举搜索好一点；目前比较好的解决方案是贝叶斯优化。1.贝叶斯优化的优点 贝叶斯调参采用高斯过程，考虑之前的参数信息，不断地更新先验；网格搜索未考虑之前的参数信息； 贝叶斯调参迭代次数少，速度快；网格搜索速度慢,参数多时易导致维度爆炸； 贝叶斯调参针对非凸问题依然稳健；网格搜索针对非凸问题易得到局部优最。 2. 贝叶斯初步优化 安装 相关包 pip in...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值