机器学习系列
关注
分享
扫一扫
jonsen_hb
有些路注定要自己走，有些孤独注定要自己受，像机器一样去学习也不失为一种明智，享受孤独，走好该走的路！
展开
-
机器学习系列01——机器学习需要这些数学知识
机器学习中涉及到的数学知识原创 2016-02-06 22:41:53 · 8157 阅读 · 139 评论 -
机器学习系列02——机器学习基础
机器学习并不是一个新的学科，涉及到很多学科的内容，简单点说，机器学习方法是计算机利用已有的数据(经验)，得出了某种模型(迟到的规律)，并利用此模型预测未来(是否迟到)的一种方法。在学习机器学习之前，需要先掌握机器学习相关的一些基础知识，本文中主要会介绍机器学习方法的划分、机器学习中的数据、数据类型、以及机器学习中的若干概念，如交叉验证、泛化能力、过拟合等。原创 2016-02-06 23:30:29 · 2504 阅读 · 0 评论 -
机器学习系列03——K近邻算法（KNN）
KNN算法是机器学习中常用的分类算法，该算法思想简单，非常容易入门，本文从KNN的基本思想开始文章书写，接着以一个简单的例子引入KNN算法，中间重点讲解了KNN的三要素（掌握了KNN的三要素基本上就能对KNN算法有一个最基本的把握，面试也能扯一扯），然后对KNN的三要素做了较详细的讲解，最后给出了KNN算法常见的一些应用。原创 2016-02-08 12:22:18 · 2911 阅读 · 0 评论 -
机器学习系列04——贝叶斯决策（Bayes）
本文主要讲解“贝叶斯决策”算法，本算法是机器学习中应用非常广泛的算法之一，尤其在文本分类中的应用，例如在垃圾文件分类中的应用，本文从一定的数学基础（条件概率、全概率公式等）开始逐步引入贝叶斯定理、贝叶斯公式，以及对贝叶斯公式的理解，最后写到了文本分类问题，以及贝叶斯决策在文本分类中的应用方法。原创 2016-02-20 00:53:29 · 2394 阅读 · 0 评论 -
机器学习系列05——决策树（Decision tree）
在前面两篇文章中，分别介绍和讨论了K近邻和bayes两种分类算法。这两种算法都是机器学习算法中的经典算法，可以对分类及决策问题进行概率推断。在这一篇文章中，将讨论另一种被广泛使用的分类算法——决策树（decision tree）。相比贝叶斯算法，决策树的优势在于构造过程不需要任何领域知识或参数设置，因此在实际应用中，对于探测式的知识发现，决策树更加适用。原创 2016-02-25 17:17:44 · 3395 阅读 · 0 评论