<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Steven_Jackson的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Steven_Jackson</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Steven_Jackson]]></copyright><item><title><![CDATA[【系统认识张量（一）】基础篇：什么是张量？]]></title><link>https://blog.youkuaiyun.com/Steven_Jackson/article/details/123819435</link><guid>https://blog.youkuaiyun.com/Steven_Jackson/article/details/123819435</guid><author>Steven_Jackson</author><pubDate>Thu, 31 Mar 2022 22:25:21 +0800</pubDate><description><![CDATA[全网最用心！系统认识张量！
文章目录
基础篇：什么是张量？.
前言
随着人工智能、大数据的发展，我们常常会得到高维数据，对其 认识 和 处理方法 与普通二维数据有着许多不同，对于三维及三维以上的数据，我们统称为 张量 。张量是对向量和矩阵的一种高维拓展。
一、基础概念
1. 纤维、切片
个人对张量纤维的概念的理解如下：
...]]></description><category></category></item><item><title><![CDATA[【机器学习-周志华】阅读笔记-第六章-支持向量机]]></title><link>https://blog.youkuaiyun.com/Steven_Jackson/article/details/104246462</link><guid>https://blog.youkuaiyun.com/Steven_Jackson/article/details/104246462</guid><author>Steven_Jackson</author><pubDate>Sun, 08 Mar 2020 21:48:57 +0800</pubDate><description><![CDATA[第六章支持向量机着实花了我不少功夫，以下是笔者的理解，如有谬误，欢迎指正。

目标：给定训练样本集，分类学习最基本的想法是基于训练集D在样本空间中找到一个划分超平面，将不同类别的样本分开，但能将训练样本分开的划分超平面可能有很多，支持向量机算法，目的就是为了找到最好的划分超平面。


...]]></description><category></category></item><item><title><![CDATA[【机器学习-周志华】阅读笔记-第五章-神经网络]]></title><link>https://blog.youkuaiyun.com/Steven_Jackson/article/details/104206877</link><guid>https://blog.youkuaiyun.com/Steven_Jackson/article/details/104206877</guid><author>Steven_Jackson</author><pubDate>Sun, 08 Mar 2020 21:47:47 +0800</pubDate><description><![CDATA[第五章-神经网络

神经网络，其原理便是模仿大脑神经元工作，对任何问题都可以进行学习，最终达到预测目的。

定义：由具有适应性简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应。

原理：其最基本的成分是神经元（neuron）。神经元工作原理为：当它“兴奋”时，会向相连的神经元发送化学物质，从而改变这些神经元内的电位。如果神经元内的电位超过了某一个阈值，它...]]></description><category></category></item><item><title><![CDATA[【机器学习-周志华】阅读笔记-第四章]]></title><link>https://blog.youkuaiyun.com/Steven_Jackson/article/details/104178890</link><guid>https://blog.youkuaiyun.com/Steven_Jackson/article/details/104178890</guid><author>Steven_Jackson</author><pubDate>Sun, 08 Mar 2020 21:46:01 +0800</pubDate><description><![CDATA[第四章-决策树

基本思路：

主要用于分类任务，其通过“分而治之”的思想，完成基于一个一个属性的分类，最终确定样例所属类别。


输入：训练集D={(x1,y1),(x2,y2),...,(xm,ym)};
      属性集A={a1,a2,...,ad}
过程：函数Generate(D,A)

生成节点node
if D 中样本全属于同一类别 C then
    将node标记为C类叶结点...]]></description><category></category></item><item><title><![CDATA[【机器学习-周志华】阅读笔记-第三章]]></title><link>https://blog.youkuaiyun.com/Steven_Jackson/article/details/104161586</link><guid>https://blog.youkuaiyun.com/Steven_Jackson/article/details/104161586</guid><author>Steven_Jackson</author><pubDate>Sun, 08 Mar 2020 21:44:45 +0800</pubDate><description><![CDATA[第三章-线性模型

线性模型是机器学习中常见的判别工具，其试图学的一个通过属性的线性组合来进行预测的函数，其基本形式为：



也就是说，通过输入x，代入公式计算，即可得到其对应的预测结果

问题在于：如何获得w和b？

计算机可以通过计算f(x)与真实的y的差值，来获得对当前w和b的评价（代价函数），进而不断优化w和b。



在代价函数中，分别对w和b求导，另导数为0，可以得到最小化代价函数的...]]></description><category></category></item><item><title><![CDATA[【机器学习-周志华】阅读笔记-第一、二章]]></title><link>https://blog.youkuaiyun.com/Steven_Jackson/article/details/104145657</link><guid>https://blog.youkuaiyun.com/Steven_Jackson/article/details/104145657</guid><author>Steven_Jackson</author><pubDate>Sun, 08 Mar 2020 21:44:00 +0800</pubDate><description><![CDATA[本人大三，专业为大数据方向，为使自己在阅读过程中对内容理解更为深刻，现将阅读过程记录下来。若有谬误，感谢指正。

第一章-绪论

本章主要讲解了机器学习的基本概念，如分类、回归；聚类等。介绍了机器学习的发展历程以及现状。

机器学习是通过“经验”获得“学习算法”，通过不显示编程，而让计算机获得解决问题的能力。

这里着重理解“机器学习”、“数据挖掘”的联系：数据挖掘是从海量数据中发掘知识，这就涉及...]]></description><category></category></item></channel></rss>