<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[coder_kang的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/coder_kang</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; coder_kang]]></copyright><item><title><![CDATA[一文读懂朴素贝叶斯模型]]></title><link>https://blog.youkuaiyun.com/coder_kang/article/details/104002510</link><guid>https://blog.youkuaiyun.com/coder_kang/article/details/104002510</guid><author>coder_kang</author><pubDate>Thu, 16 Jan 2020 16:17:00 +0800</pubDate><description><![CDATA[1	概述
朴素贝叶斯模型是很经典的统计学习模型，在人工智能的上古时期就已经被人们发明出来。对这个模型的学习需要有一定的概率论和数理统计的知识，但是并不复杂。整个模型就围绕一件事情，如何求后验概率，即：P(Y=ck∣X=x)P(Y=c_{k}|X=x)P(Y=ck​∣X=x)
定睛一看，也就是个条件概率，求在X=x的条件下，Y=ck的概率，说白了，就是对于给定的x，求出它属于Y=ck这一类的概率。
...]]></description><category></category></item><item><title><![CDATA[一文读懂K近邻(KNN)模型]]></title><link>https://blog.youkuaiyun.com/coder_kang/article/details/103971507</link><guid>https://blog.youkuaiyun.com/coder_kang/article/details/103971507</guid><author>coder_kang</author><pubDate>Tue, 14 Jan 2020 15:42:31 +0800</pubDate><description><![CDATA[1	算法描述
K近邻模型是个十分通俗易懂的模型，给定一个点，我们只要找到和他在空间中最近的K个点，这K个点中出现次数最多的类别，就是这个点的分类，具体算法如下：

如果了解其他机器学习模型朋友肯定会发现，这个模型和我们以往学到的机器学习模型有些区别，其没有决策函数也没有条件概率分布， 只有一个决策规则：
y=argmax⁡cj∑xi∈Nk(x)I(yi=cj)y = arg \max_{c_{j}...]]></description><category></category></item><item><title><![CDATA[一文读懂感知机模型]]></title><link>https://blog.youkuaiyun.com/coder_kang/article/details/103614271</link><guid>https://blog.youkuaiyun.com/coder_kang/article/details/103614271</guid><author>coder_kang</author><pubDate>Mon, 13 Jan 2020 20:38:07 +0800</pubDate><description><![CDATA[很多人第一次学习机器学习，就学的是感知机（Perceptron）这个模型。感知机模型虽然简单，但是包含的方法确实后面很多模型常常用到的，例如神经网络、支持向量机等。本文就用最简单的方式，从该模型背景出发，对其原理进行推导
1.	问题提出
假设在二维空间中我们有一些散点，这些散点属于不同的类，那我们该怎么样区分这些点呢？或者说按照什么样的规则分开这些点呢？我们首先想到的应该是画一条线来进行区分。
如...]]></description><category></category></item><item><title><![CDATA[哈工大《机器学习理论与算法》课程总结]]></title><link>https://blog.youkuaiyun.com/coder_kang/article/details/103898400</link><guid>https://blog.youkuaiyun.com/coder_kang/article/details/103898400</guid><author>coder_kang</author><pubDate>Thu, 09 Jan 2020 10:17:29 +0800</pubDate><description><![CDATA[1.总结
1.ID3算法
ID3算法：
输入：例子集（正例、反例）；
输出：决策树
从树的根结点开始，每次都用“最好的属性”划分结点，直到所有结点只含一类例子为止。

不相关属性问题：预处理，预剪枝
不充足属性：即属性值全相同，无法确定类别，则哪一类例子多选哪一类。
未知属性值：1.最通常值法；2.决策树法：未知属性作为类，类作为属性；
3.贝叶斯方法：给予可能值一个概率 4. 按比例将未知属性值...]]></description><category></category></item><item><title><![CDATA[生成对抗网络（GAN）论文原文详解]]></title><link>https://blog.youkuaiyun.com/coder_kang/article/details/103483255</link><guid>https://blog.youkuaiyun.com/coder_kang/article/details/103483255</guid><author>coder_kang</author><pubDate>Fri, 13 Dec 2019 16:44:48 +0800</pubDate><description><![CDATA[最近在学习生成对抗网络的相关知识，首先接触到的当然是Ian Goodfellow的原始论文，文章中作者很简要的阐明了GAN的基本算法，同时也给出该算法可行的理论证明。该模型通俗点说可以利用已有的数据对模型进行训练，训练完成后，该网络能够自动的生成与原始数据相似的数据。举例来说，我给网络投喂一些

...]]></description><category></category></item><item><title><![CDATA[LFR算法初探——一种用于测试社区检测算法的基准图的生成算法]]></title><link>https://blog.youkuaiyun.com/coder_kang/article/details/103280825</link><guid>https://blog.youkuaiyun.com/coder_kang/article/details/103280825</guid><author>coder_kang</author><pubDate>Wed, 27 Nov 2019 18:27:39 +0800</pubDate><description><![CDATA[本文基于《Benchmark graphs for testing community detection algorithms》一文，文章名翻译过来就是测试社区检测算法的基准图，作者是Andrea Lancichinetti, Santo Fortunato, and Filippo Radicchi，因此也叫做LFR算法。
该算法如题目表达的一样，是为了生成一个能够用于测试社区检测算法优劣的网...]]></description><category></category></item></channel></rss>