人工智能
关注
分享
扫一扫
freshbin000
默默搬砖
展开
-
机器学习-第一篇
关于机器学习的笔记，纯属个人理解，想到什么，记录什么， 可能写的东西不会很具体和全面。 机器学习有监督学习和无监督学习，我认为两者的概念如下。 监督学习：有一大堆训练的数据，如果你要预测某个结果，你可以通过对比分析训练数据，从而找到你需要预测的结果。现阶段我所知道的内容是监督学习有回归算法和分类算法。 无监督学习：没有训练数据，结果好像也不需要预测，完全有机器...原创 2019-08-05 09:52:35 · 143 阅读 · 0 评论 -
机器学习-第十三篇-获取数据
获取数据，有以下方式如果模型是低方差，即高偏差的情况，可以通过扩大训练集的方式来优化模型。OCR工作流：文字侦测-字符切分-字符识别上限分析：由OCR例子中，分析每一步的输出结果正确率，以把时间用在正确的正确率提升上。...原创 2019-08-12 11:43:00 · 149 阅读 · 0 评论 -
机器学习第十二篇-大数据计算
随机梯度下降算法：当训练集m很大的时候，批量梯度下降算法的对代价函数的微分求解迭代计算量会很大。步骤：mini-batch 梯度下降算法：随机梯度下降算法的下降收敛：如果代价函数图像的噪声过大，那么可以增加求均值的样本数量，曲线不断上升，则减小学习速率的值。学习速率可以保持一个常数，也可以用含有迭代次数的表达式。在线学习：根据用户喜好，不...原创 2019-08-12 10:31:42 · 150 阅读 · 0 评论 -
机器学习-第十一篇-协同过滤
协同过滤算法：听不懂，千言万语，就是用梯度下降最小化代价函数低矩阵分解：均值归一化：原创 2019-08-09 17:10:05 · 230 阅读 · 0 评论 -
机器学习-第六篇-神经网络
and or not xnor代价函数：看课程已经看到懵逼了，笔记不知道怎么记了。。。。。。。。原创 2019-08-07 15:00:33 · 122 阅读 · 0 评论 -
机器学习-第十一篇-高斯分布与异常检测
高斯分布：异常检测：异常检测与监督学习：如何选择异常检测算法的特征：听不懂。。。。。多元高斯正态分布引入协方差矩阵...原创 2019-08-09 15:16:44 · 392 阅读 · 0 评论 -
机器学习-第五篇-逻辑回归与正则化
逻辑回归方程：代价函数：如果出现过拟合的情况，可以使用正则化解决。正则化对thera求解从1开始。正规方程正则化：线性方程正则化：逻辑回归正则化：...原创 2019-08-07 10:03:19 · 256 阅读 · 0 评论 -
机器学习-第十篇-降维
数据压缩：看不是很明白，反正就是从高维度降到低维度。主成分分析算法（PAC）：看懵逼了，不太知道PCA讲什么截个图用于祭奠PCA可以用于提高学习算法的速度，不适用于解决过拟合问题。...原创 2019-08-08 18:11:25 · 140 阅读 · 0 评论 -
机器学习-第九篇-聚类算法
循环两步1、随机生成聚类中心，进行族分类。2、移动聚类中心，移动聚类中心到均值位置。优化聚类算法的代价函数J()，可以通过上面循环的两步来缩小。随机选取聚类中心：通过不断循环上图的运算，当运行100次之后，找出代价函数最小的聚类中心。如何选择聚类数量：肘部法则：...原创 2019-08-08 14:54:42 · 216 阅读 · 0 评论 -
机器学习-第四篇-正规方程
正规方程与梯度下降算法比较用正规方程求解参数的方法：例子如下：结果为(n+1)*1的矩阵，我想这应该就是各个参数的值。（n为特征数）原创 2019-08-06 09:38:46 · 240 阅读 · 0 评论 -
机器学习-第八篇
支持SVM向量机的优化函数：代价函数的图像：左边为y=1的代价函数，如果要代价函数最小，则需要大于1右边为y=0的代价函数，如果要代价函数最小，则需要小于-1.向量机参数影响偏差与方差问题：...原创 2019-08-08 11:07:42 · 111 阅读 · 0 评论 -
机器学习-第七篇
交叉验证集函数与偏差和方差的图像关系：左边高偏差即欠拟合，右边高方差即过拟合。正则化和偏差、方差之间的图像关系。增大入，可以解决高方差问题，减小入，可以解决高偏差问题。解决高方差和高偏差的方案思路：...原创 2019-08-08 09:10:49 · 110 阅读 · 0 评论 -
机器学习-第三篇
让梯度下降的速度变得更快可以用特征缩放方法、特征归一化。特征缩放：u为该特征的平均值，s为该特征的范围。看得有点懵，好像如果是多项性线性回归模型，那么对特征进行缩放之后，再运行梯度下降算法会更快。...原创 2019-08-05 17:50:38 · 95 阅读 · 0 评论 -
机器学习-第二篇
训练样本记为m，特征为x，对应目标值为y，(x，y)表示一组训练样本，h为从x到y的函数映射。单变量线性回归：h(x)=θ0++θ₁x代价函数是实际y值与期望y值的方差的二分之一，其函数表达式为：代价函数也称为平方误差代价函数，简记为：我觉得代价函数是一个随θ₁变化的函数，当J(θ₁)取值为最小时，此时的θ₁为最小化值，即此时的θ₁能够使线性回归函数h(x)拟...原创 2019-08-05 14:56:25 · 236 阅读 · 0 评论 -
机器学习2-第一篇
吴恩达老师的课程已经看完了，但是由于只是通过快速观看课程，以了解一个大概，所以没有做练习，现在准备继续看周志华老师的机器学习书籍，争取边看边做笔记，再把课后习题完成。 归纳：从特殊到一般的泛化过程。 演绎：从一般到特殊的特化过程。假设空间与版本空间的概念：搬来两位位博主的博客https://blog.youkuaiyun.com/qq_20936739/a...原创 2019-08-13 14:31:31 · 160 阅读 · 0 评论