《机器学习实战》读书笔记-索引

最新推荐文章于 2024-08-31 01:33:31 发布
转载 最新推荐文章于 2024-08-31 01:33:31 发布 · 264 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://my.oschina.net/zenglingfan/blog/179525

本文为《机器学习实战》一书的读书笔记索引，涵盖了从监督学习到无监督学习的多种算法，如K-近邻算法、决策树、朴素贝叶斯、Logistic回归、支持向量机、AdaBoost元算法、回归分析、树回归、K-均值算法、Apriori算法、FP-growth算法、PCA和SVD等，提供了详尽的算法描述及代码注释。

原文地址：https://my.oschina.net/zenglingfan/blog/179525

以下是 《机器学习实战》读书笔记的索引, 每篇文章都包括算法描述及详尽的代码注释.

《机器学习实战 (Mation Learning in Action)》  【 豆瓣 】

机器学习笔记--DeepWalk和Node2Vec图嵌入代码实战一
太阳当空照，花儿对我笑，微风轻轻拂，心情无限好。
12-27 716
知识图谱专业老师：刘焕勇老师，也有公众号：老刘说NLP。
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》-学习笔记（3）
Morganfs的博客
04-02 2392
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》-学习笔记（3） Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, by Aurélien Géron (O'Reilly). Copyright 2019 Aurélien Géron, 978-1-492-03264-9.
机器学习实战-PCA主成分分析、降维
maple1149的博客
04-09 3476
降维技术很多时候，原始数据是多维度的，在计算的时候会带来很大的资源开销。而且数据本身有很多的冗余，我们可以去除一些不必要的特征，使得数据简化，降低算法的计算开销。因此需要利用降维技术来实现。PCA(Principal Component Analysis)主成分分析在PCA中，数据从原来的坐标系转化到新的坐标系中。当然这里新的坐标系也不是随便设定的，而是应该根据数据本身的特征来设计。通常第一个新坐标
13机器学习实战之PCA（1）
weixin_33964094的博客
04-08 225
降维技术 对数据进行降维有如下一系列的原因： 使得数据集更容易使用 降低很多算法的计算开销 去除噪音 使得结果易懂 在以下3种降维技术中， PCA的应用目前最为广泛，因此本章主要关注PCA。 主成分分析(Principal Component Analysis, PCA) 通俗理解：就是找出一个最主要的特征，然后进行分析。 在P...
《机器学习实战》—PCA
anzhi的博客
07-12 838
机器学习实战—PCA（主成分分析）（一）降维技术1.1降维1.降维的目标就是对输入的数目进行削减，由此剔除数据中的噪声并提高机器学习方法的性能。2.降维是对数据高维度特征的一种预处理方法。降维是将高维度的数据保留下最重要的一些特征，去除噪声和不重要的特征，从而实现提升数据处理速度的目的。在实际的生产和应用中，降维在一定的信息损失范围内，可以为我们节省大量的时间和成本。降维也成为了应用非常广泛的数据...
《机器学习实战》——第13章 利用PCA来简化数据
fjyalzl的博客
09-22 583
在低维下，数据更容易进行处理。其相关特征可能在数据中明确地显示出来。通常而言，我们再应用其他机器学习算法之前，必须先识别出其相关特征。
机器学习实战——PCA和SVD
uilotus
09-20 2584
一、 利用PCA简化数据 二、
机器学习实战：k-近邻算法解析
"机器学习实战笔记（1）——深入解析k-近邻算法" 这篇机器学习实战笔记主要聚焦于k-近邻（k-Nearest Neighbors, k-NN）算法，这是一种基础且实用的监督学习算法，常用于分类任务。k-NN算法的基本思想是通过寻找训练...
《机器学习实战》学习笔记第二章-KNN
isla77的博客
07-26 524
以近邻K个点为参考，多数是什么特征，未知点就是什么特征。即采用测量不同特征值直接的距离方法来进行分类。
第十周机器学习笔记：self-attention（注意力机制）、Pytorch学习——损失函数代码实战、反向传播算法代码实战
最新发布
Zcymatics的博客
08-31 1781
这一周作者主要对注意力机制进行了学习，其中了解了引入注意力机制的原因、注意力机制的使用场景以及注意力机制的原理，此外在pytorch的学习中，作者对三种计算损失函数的方式，比如，绝对平均值误差、均方误差、交叉熵损失进行了代码实战学习。
【机器学习实战】第十三章 PCA算法数据集-数据集
03-30
半导体数据
[完]机器学习实战 第十三章 利用PCA来简化数据
无名的博客
10-26 2726
本章内容 降维技术 主成分分析（PCA，Principal Component Analysis） 对半导体数据进行降维处理 体育比赛中，人们面对的原本是百万像素的数据，但只有球的三维位置才是最重要的，这就被称为降维（dimensionality reduction）。在低维下，数据更容易进行处理。通常，在应用其他机器学习之前，须先识别出其相关特征。一、降维技术对数据进行简化的原因： 多维数据难以显
第十四章-降维之主成分分析法(PCA) 深度之眼_吴恩达机器学习作业训练营
凡尘维一心的博客
02-21 1208
本章主要讲解了以下内容： 简介了降维的概念及其应用。 用一种直观的方法讲解了PCA算法。 详细推导了PCA算法的具体过程。 提及了一些PCA算法的应用细节。
机器学习实战——第十三/十四章：利用PCA和SVD来简化数据
mmc2015的专栏
06-30 1381
本系列目的在于总结每一个分类器的特点（优点、缺点、使用数据类型、使用时的注意事项等）。相关代码自己搜。 python：建议使用2.7 python常用函数库：NumPy、scikit-learn等 python集成环境：anaconda 毕业季，玩了20天。 降维的好处： 使数据集更易使用；降低算法开销；去除噪声；使结果更
机器学习实战——PCA降维
m0_55818687的博客
11-21 1338
机器学习实战——PCA
《机器学习实战》笔记之十三——利用PCA来简化数据
无限大地NLP_空木的专栏
09-29 4979
第十三章 利用PCA来简化数据 降维技术主成分分析（PCA）对半导体数据进行降维处理 13.1降维技术 简化数据目的： 使得数据集更易使用；降低很多算法的计算开销；去除噪声；使得结果易懂； 降维方法： 主成分分析（Principal Component Analysis,
机器学习——主成分分析(PCA)
hei653779919的博客
02-11 1908
机器学习——主成分分析(PCA) 1 从KNN算法到PCA 1.1 KNN算法引入 KNN算法，也称为K近邻算法，是一种非常常用的监督学习方法，其核心思想十分简单，给定某个训测试样本，基于某种距离计算方法来计算与其最近的K个邻居，然后根据K个邻居的分类来决定测试样本的分类。 K近邻算法特点包括以下几个： 无需进行事先的模型训练。训练的过程就是将训练样本保存起来。 因为没有训练过程，所以预测的过程...
《机器学习实战》（十三）—— PCA
08-18 2504
协方差矩阵统计学的基本概念协方差上面几个统计量看似已经描述的差不多了，但我们应该注意到，标准差和方差一般是用来描述一维数据的，但现实生活我们常常遇到含有多维数据的数据集，最简单的大家上学时免不了要统计多个学科的考试成绩。面对这样的数据集，我们当然可以按照每一维独立的计算其方差，但是通常我们还想了解更多，协方差就是这样一种用来度量两个随机变量关系的统计量，我们可以仿照方差的定义：来度量各个维度偏离其均
机器学习实战ByMatlab（二）PCA算法
Liu_LongPo的专栏
04-15 7448
PCA 算法也叫主成分分析（principal components analysis），主要是用于数据降维的。为什么要进行数据降维？因为实际情况中我们的训练数据会存在特征过多或者是特征累赘的问题，比如： 一个关于汽车的样本数据，一个特征是”km/h的最大速度特征“，另一个是”英里每小时“的最大速度特征，很显然这两个特征具有很强的相关性 拿到一个样本，特征非常多，样本缺很少，这样的数据用回归去你和将
评论
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