编程小白的逆袭日记

在机器学习领域有一个非常特殊的存在——无监督学习, 其中最为经典就是聚类算法了。聚类算法因为其不需要先验标签，因此在很多领域应用都较为广泛，其中最经典的算法就是Kmean Cluster。

继续上一课的神经网络的话题，这次我们来实践一个简单的BP神经网络分类任务。数据集介绍首先，来认识一下任务所需的数据集 - voice gender dataset。这个数据集是用于通过声音的一些属性来鉴别声音的性别。数据集包含了3168条数据记录， 分别来自男性或女性的声音属性。数据集格式是csv格式。声音的属性包括平均频率，频率的表方差，频率的中位数等20项声音属性，皆为float类型数据...

随机数梯度下降(SGD)神经网络模型反向传播算法

写在前面的话这个系列主要是讨论机器学习的理论和算法模型，不会太多涉及编程方面。关于算法的实现，会在另外一个关于Tensorflow的系列里来详细讲述。 按照计划，这个系列会包括以下内容 线性学习模型 - 感知器 加强版的线性学习模型 - 从线性分类到逻辑回归 神经网络 深度学习和图像识别技术 矢量机器 （SVM） 径向基函数 （RBF）一个简单的例子最简单的机器学...

在现实世界中我们所遇到的情况大多是非线性的， 比如在信用额度评估中的年龄，太小或太大都不好，这个最佳年龄范围大约是在30到50之间，这显然就是非线性的。那么我们能否使用线性模型来处理这些非线性的问题？ 在回答这个问题之前，让我们先探讨一下，所谓线性模型中的“**线性**”究竟是什么？

前面我们讲了线性分类和线性回归，这里让我们来思考另外一类问题——求概率问题。比如说，我们根据一个人的既往病历，生活习惯，年龄等来判断一个人是否会得心肌梗塞。我们想要的答案不仅仅是一个简单的是或否，实际上我们希望知道的是得心肌梗塞的风险有多大。医生会根据病人的情况以及自己的经验做出**很高危，高危，中等风险，低风险**等判断，实际上这可以看做是一个概率问题，我们可以划定当得心肌梗塞的概率高于某个概率值时，我们认为是**很高危**，当处在某一个概率区间则认为是**高危**，以此类推。那么，机器学习是否可

上一篇文章，我们讲了一个非常朴素而直观的学习模型——**线性感知器**，这个学习模型主要用于分类问题， 如我们之前说到的原鸢尾花分类例子。那么，对应另外一些非分类问题，比如信用额度评估，房屋价格评估等，我们又有什么办法呢？

小白的机器学习笔记系列 之五 - 朴素贝叶斯分类 这个内容算是一个番外吧。原本写完了逻辑回归就想写神经网络了，但是看到一个朴素贝叶斯分类的例子，所以自己也就写了一些程序来尝试，结果发现这个算法看似简单，实际的应用效果却出其意料的好，所就写一个章节。

Lenet5是由Yann LeCun于1998年在论文Gradient-based learning applied to document recognition中提出的，在论文中它识别MNIST手写数字的识别率。此处我们要来改造一下这个网络，已用于cifar10数据的训练和识别。