机器学习入门推荐文章（不断更新）

最新推荐文章于 2025-05-08 13:54:34 发布
最新推荐文章于 2025-05-08 13:54:34 发布
阅读量611 收藏 2
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 机器学习
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。
本文链接：https://blog.youkuaiyun.com/WhereYouSink/article/details/78618001
本文精选了一系列关于机器学习算法的优质博客文章，涵盖了Python基础、贝叶斯、逻辑回归、EM算法、决策树、支持向量机、正则化、GBDT、Boosting等主题。适合初学者和进阶学习者参考。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

最近一直在看机器学习，发现了很多很不错的博客文章。

都是里没有看过的船信版本。

 

python基础

dot net perls

 

贝叶斯

平凡而又神奇的贝叶斯——刘未鹏

判别模型、生成模型与朴素贝叶斯算法

 

logistic regression

机器学习算法之逻辑回归

 

EM算法

从最大似然到EM算法浅解

 

决策树

决策树的理解

 

支持向量机

斯坦福CS229机器学习个人总结（三）

机器学习详解SMO算法剖析

 

正则化

L1L2正则化的通俗理解

 

GBDT

GBDT算法原理深入解析

 

boosting

Adaboost算法的原理与推导（后面的例子特别的棒，有利于初学boosting的小伙伴）（其实和统计学习方法上面一模一样）

机器学习-27-机器学习入门科普文章
qq_20466211的博客
10-12 568
主要对机器学习进行科普,包括机器学习的定义、范围、方法,包括机器学习的研究领域：模式识别、计算机视觉、语音识别、自然语言处理、统计学习和数据挖掘。
python 入门之机器学习
2401_85942974的博客
06-27 1082
什么是机器学习？监督学习 supervised learning;非监督学习 unsupervised learning;半监督学习 semi-supervised learning;强化学习 reinforcement learning;监督学习是不断向计算机提供数据（特征），并告诉计算机对应的值（标签），最后通过大量的数据，让计算机自己学会判断和识别。例如Google Photo，你在APP中输入狗，这时就会弹出与狗相关的图片，这背后使用的算法就是监督学习。
机器学习 经典文章 入门必备
05-19
人工智能 机器学习 入门必备的经典文章 包含Learnability, stability and uniform convergence，Learning_Theory_Estimates_via_Integral_Operators_and_Their_Approximations，Local Rademacher complexities，On regularization algorithms in learning theory，On the mathematical foundations of learning等十余篇经典文章，入门首选
人工智能 机器学习 十余篇经典文章（入门必备）
05-19
人工智能 机器学习 入门必备的经典文章 包含Learnability, stability and uniform convergence，Learning_Theory_Estimates_via_Integral_Operators_and_Their_Approximations，Local Rademacher complexities，On regularization algorithms in learning theory，On the mathematical foundations of learning等十余篇经典文章，入门首选
机器学习 TOP 10 必读论文
宇翔XGT的博客
12-31 696
2017-12-30 雷课 Medium上的机器学习深度爱好者必关注的账号Mybridge照例对11月发表的学术论文进行了排名，整理出了10篇必读论文，建议收藏深读。 1. Alpha Zero：用强化学习算法对中国象棋和国际象棋进行自我修炼（本论文作者包括DeepMind创始人Demis Hassabis） https://arxiv.org/pdf/171
【机器学习】L1、L2正则化
研究兴趣：开放集识别、开放世界识别、新类发现、增量学习、少样本学习
05-18 4488
L1正则化能够通过使模型稀疏化达到降低模型复杂度的作用。这种稀疏化特性使它能够作为一种特征选择策略，适合在高维且特征相关性不强的场景中使用。 L2正则化能够通过将各项权重系数优化的很小达到降低模型复杂度的目的。它能够减少单个特征的在模型中的作用，避免某个特征主导整个预测方向。L2正则化项是可微的，优化计算效率更高，适合处理低维且特征间具有强相关性的场景。
机器学习入门KNN的案例
05-25
【机器学习入门KNN的案例】深入解析 在信息技术领域，机器学习是人工智能的一个重要分支，它让计算机系统能够从数据中自动学习和改进。K近邻（K-Nearest Neighbors, KNN）算法是机器学习中最基础且实用的算法之一，...
【机器学习入门】基于sklearn的Python机器学习实战指南：从基础到鸢尾花分类案例详解
05-15
适合人群：对机器学习感兴趣的Python初学者，尤其是希望快速入门并掌握实际操作技能的学习者。 使用场景及目标：①了解机器学习的基本概念及其在各领域的应用；②掌握sklearn库的核心功能和常见算法；③通过实战演练...
机器学习入门：随机森林参数选择与气温预测
最新发布
07-16
在机器学习领域，随机森林是一种集成学习方法，它通过构建多个决策树来进行预测和分类任务，具有良好的泛化能力和较少的过拟合风险。...通过不断地实践和优化，我们可以逐步提升机器学习模型在气候科学领域的应用价值。
Python机器学习入门指南：从入门到实践
master_chenchen的博客
10-03 1772
机器学习是一种让计算机系统通过经验自动改进的技术。想象一下，如果一个孩子第一次看到狗，他可能不知道那是什么。但随着父母不断地告诉他“这是狗”，慢慢地他就学会了识别狗的样子。机器学习的过程与此类似，只是这里的“孩子”变成了算法，“父母”的教导变成了数据。机器学习的重要性在于它能够帮助我们解决复杂问题，比如推荐系统、自动驾驶汽车等，在这些领域里传统编程方法很难达到预期效果。
深度解构L1/L2正则化
MrJoice的博客
03-05 2254
当模型在训练集上表现优异而在测试集上性能骤降时，往往意味着过度记忆了训练数据中的噪声而非学习到本质规律（有时也可能是因为数据不匹配的原因）。健身人员希望最大化训练效果，但受限于每日1小时的总时间，需分配力量训练（x分钟）和有氧运动（y分钟）其核心思想是：在最小化原始损失函数的同时，对模型参数施加惩罚，迫使模型趋向于更简单的结构。这相当于在预算限制的边界上寻找装修效果的最大值，类似于在消费能力边缘找到性价比最高的组合。假设你需要用有限的预算购买地板和墙漆，目标是再满足总预算的前提下最大化装修效果。
【深度学习】正则化方法——L1和L2正则化
第三季度的博客
05-27 5948
凡是能解决模型泛化误差而不是训练误差的方法，都被称为正则化。模型的泛化误差主要是由模型过拟合引起的，所以正则化的各种方法用于解决模型过拟合的问题。
正则化和L1/L2范式
AI大模型/Python/Java/MySQL技术栈，快来和我一起学习吧 ~
05-08 1273
假设你正在设计一个房价预测模型，手头有100个特征（如面积、楼层、周边设施等），但其中部分特征可能是噪声或冗余（如“距离某个路灯的距离”）。在生物医学研究中，基因表达数据通常包含数万个基因（特征）的表达值，但样本量（如患者数量）往往仅有几十到几百个。在房价预测中，特征如“房间数”和“建筑面积”可能存在高度相关性（共线性），导致线性回归系数不稳定，甚至符号异常（如房间数增加但房价下降）。L2范式像“雨露均沾”的压缩策略——对所有权重施加与数值大小相关的惩罚，权重越大被压缩得越狠，但永远不会完全归零。
正则化L1 L2
qq_44817900的博客
08-23 2296
正则化通常有两种方式，分别是L1，L2正则化，对应L1范数，和L2范数。有0值出现，确实也该如此，当对一组数据求绝对值的和时，想要其值很小，必须有足够多0值。上图中是二维的情况，若是多维情况，有多个顶点，并且顶点都在坐标轴上，且离等值线更近，也意味着有参数的值为0，也就是产生了稀疏矩阵。是一个超参数（取 0-1），主要是调和cost和正则项的比列，二分之一，是为了求导后，消除2。例如，相交顶点为w1=0，w2=w，若是其他点落在红色等高线上，可以发现。上图中，彩色的曲线圆圈，就是cost的等高线。
L1正则化和L2正则化
热门推荐
qq_52302919的博客
04-01 2万+
在机器学习以及深度学习中我们经常会看到正则化这一名词，下面就浅谈一下什么是正则化？以及正则化的意义所在？ 一、什么是正则化？ 正则化项 (又称惩罚项)，惩罚的是模型的参数，其值恒为非负 λ是正则化系数，是一个超参数，调节惩罚的力度，越大则惩罚力度越大。 二、正则化的目的？ 先上图： 上图从左到右依次为：欠拟合、理想状态、过拟合 欠拟合从字面意思来看就是欠缺拟合程度，这一般在复杂度很低的模型中出现。从数学上来看，一元一次函数为一条直线、一元二次函数为一个曲线，以此类推。那么参数越多，其越能拟合更复杂的特征
读懂机器学习(转)
weixin_34128411的博客
01-13 5816
在本篇文章中，我将对机器学习做个概要的介绍。本文的目的是能让即便完全不了解机器学习的人也能了解机器学习，并且上手相关的实践。这篇文档也算是EasyPR开发的番外篇，从这里开始，必须对机器学习了解才能进一步介绍EasyPR的内核。当然，本文也面对一般读者，不会对阅读有相关的前提要求。 在进入正题前，我想读者心中可能会有一个疑惑：机器学习有什么重要性，以至于要阅读完这篇非常长的文章呢？ 我并不直接...
AI之AutoML：Ludwig(无需编写代码/易于使用的界面和可视化自动机器学习工具)的简介、安装、使用方法之详细攻略
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
07-22 1万+
​ AI之AutoML：Ludwig(无需编写代码/易于使用的界面和可视化自动机器学习工具)的简介、安装、使用方法之详细攻略 目录 Ludwig的简介 Ludwig的安装 Ludwig的使用方法 Ludwig的简介 Ludwig(无需编写代码/易于使用的界面和可视化自动机器学习工具)的简介 简介 Ludwig是Uber AI Labs在2018年开源的一款自动机器学习框架。它允许开发者以非常简单的方式构建深度学习系统，而无需编写过多的代码。Ludwig适用于广泛的任务，包括分类、回归、序列建模
机器学习经典书籍
weixin_33905756的博客
04-23 967
入门书单 《数学之美》 PDF 作者吴军大家都很熟悉。以极为通俗的语言讲述了数学在机器学习和自然语言处理等领域的应用。 《Programming Collective Intelligence》（《集体智慧编程》）PDF 作者Toby Segaran也是《BeautifulData : The Stories Behind Elegant Data Solutions》（《数据之美：解密优雅...
【通俗易懂】机器学习中 L1 和 L2 正则化的直观解释
weixin_34121304的博客
06-21 7489
红色石头的个人网站：redstonewill.com 机器学习中，如果参数过多，模型过于复杂，容易造成过拟合（overfit）。即模型在训练样本数据上表现的很好，但在实际测试样本上表现的较差，不具备良好的泛化能力。为了避免过拟合，最常用的一种方法是使用使用正则化，例如 L1 和 L2 正则化。但是，正则化项是如何得来的？其背后的数学原理是什么？L1 正则化和 L2 正则化之间有何区别？本文将给...
机器学习入门：从零开始的环境配置实战
“AI机器学习入门：上机实践指南，面向初学者的机器学习环境搭建教程，包括Anaconda、JDK、PyCharm的安装与环境配置，以及sklearn和TensorFlow环境的创建。” 这篇上机实践指南是针对想要入门AI和机器学习的初学者...
评论 5
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