bigcindy的博客

机器学习实践—基于Scikit-Learn、Keras和TensorFlow2第二版—第12章 利用TensorFlow自定义模型并训练(Custom Models and Training with TensorFlow)0. 导入所需的库import tensorflow as tfimport tensorflow.keras as kerasimport numpy as npimport matplotlib as mplimport matplotlib.pyplot as p

机器学习实践—基于Scikit-Learn、Keras和TensorFlow2第二版—第9章 无监督学习技术(Chapter9_Unsupervised_Learning_Techniques)虽然目前大部分机器学习应用都是基于有监督学习，但实际工作生活中，大部分数据都是没有标签的。著名的人工智能大牛Yann LeCun说过：如果人工智能一个蛋糕，监督学习就像是蛋糕上的糖霜，而增强学习则蛋糕上的樱桃。（if intelligence was a cake, unsupervised learning

机器学习实践—基于Scikit-Learn、Keras和TensorFlow2第二版—第8章 降维(Dimensionality Reduction)很多时间，用于机器学习的原始数据每个样本有成千上万个特征，这使得训练极其的缓慢，并且也无法训练得到一个好的模型，这也叫作维度灾难。机器学习中遇到如上问题时，通常进行维度减少的工作，以便将问题进行简化。降维除了能提高训练速度外，在数据可视化方面也非常有用。例如：将一个高维的数据进行降维成二维后可以在平面上进行可视化，此时可以根据可视化结果对数据进行一些直

机器学习实践—基于Scikit-Learn、Keras和TensorFlow2第二版—第15章 使用RNN和CNN处理序列(Chapter 15. Processing Sequences Using RNNs and CNNs)循环神经网络（RNNs）一般用于序列的处理。0. 导入所需的库import tensorflow as tffrom tensorflow import kerasimport numpy as npimport matplotlib as mplfrom m

目前为止，我们只使用了能放在内存中的数据集，而深度学习往往使用非常大而无法放在RAM中的数据集。其它深度学习库可能对处理这种大型数据集比较棘手，但是TensorFlow很容易完成，这得归功于其数据API(Data API)，即只需创建一个数据对象，然后赋值其数据位置和转换方法即可。TensorFlow会处理好各种细节，例如多线程、队列、批处理等等。同时TensorFlow数据API与tf.keras合作非常好。TensorFlow数据API可以读取文本文件、二进制文件。TFRecord是一个易用且高效的

前言（Preface）第一部分 机器学习基础（Part I. The Fundamentals ofMachine Learning）第1章 机器学习概述（Chapter 1. The Machine LearningLandscape）（待更新）第2章 端到端机器学习项目（Chapter 2. End-to-End MachineLearning Project）第3章 分类（Chapter 3. Classification）第4章 训练模型（Chapter 4. Trai...

训练深度神经网络并非易事，常常会遇到如下问题：梯度消失和爆炸问题，导致神经网络前面的层无法得到很好地训练 数据不足，或者标注代价太大 训练速度极慢 参数较多时很容易过拟合，尤其是在数据量不足或数据存在大师噪声时0. 导入所需的库import tensorflow as tfimport numpy as npimport matplotlib as mplimport matplotlib.pyplot as plt%matplotlib inlineimport osfor

ANNs: artificial neural networks，人工神经网络，受人类大脑生物神经元的启发。人工神经网络是深度学习的核心，其应用广泛、强大并且扩展性好。深度学习在很多IT公司都有布局，例如Google Images、Apple Siri、YouTube视频推荐、DeepMind AlphaGo等等。0. 导入所需的库import tensorflow as tfimport matplotlib as mpl%matplotlib inlineimport matplot

在机器学习中，通常情况下综合多个机器学习算法模型的预测结果往往比单个算法的结果要好，包括这些机器学习算法中效果最好的那个。将综合多个机器算法结果的这种方法称作集成。随机森林就是通过一个训练集训练很多个随机的决策树，最终综合这些决策树的结果达到不错的效果。常见的集成算法有：bagging, boosting, stacking集成算法的主要实现方式有两类：一是集成不同类型的算法，二是在不同的训练集子集上使用相同的算法。0. 导入所需的库import numpy as npimport

支持向量机（SVM）是非常强大的机器学习算法，支持线性和非线性的分类任务、回归任务，甚至可以完成离群值检测任务。SVM是机器学习最受欢迎的算法之一，特别适合于比较复杂的中小型数据集上进行建模，如果数据集比较大SVM就显得比较吃力。SVM的核心思想是：生成一条决策边界，使得决策边界离最近点的距离越远越好。0. 导入所需的库import numpy as npimport matplotlib.pyplot as pltimport matplotlib as mpl%matplotlib

与SVM类似，决策树可以完成分类和回归任务，甚至可以完成多输出任务。决策树也是随机森林的基础组成部分，随机森林就是通过组合不同的大小(深度)的决策树达到很好的效果。0. 导入所需的库import sklearnimport numpy as npimport matplotlib as mpl%matplotlib inlineimport matplotlib.pyplot as pltimport osfor i in (sklearn, np, mpl): prin

通过之前的学习，我们已经可以创建出手写数字训练的模型，并且经过不断优化能达到一个很好的效果，但是这些模型背后是如何工作，我们却一无所知，就像一个黑盒。深入了解模型背后的原理，可以使我们更快地适应模型、选择合适的算法、选择合适的超参数等等，甚至可以快速分析误差来源。0. 导入所需的库import numpy as npimport matplotlib as mplimport matplotlib.pyplot as plt%matplotlib inlineimport sklearn

0. 导入所需的库import sklearnimport matplotlib as mplfrom matplotlib import pyplot as pltplt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签plt.rcParams['axes.unicode_minus']=False #用来正常显示负号import numpy as npfor i in [mpl, np, sklearn]: print(i.

本章使用California房价数据集进行案例分析1. 导入所需的库import osimport tarfileimport urllibimport pandas as pdimport numpy as npimport matplotlib.pyplot as plt%matplotlib inlinefor i in [pd,np]: print(i.__name__,": ",i.__version__,sep="")输出：pandas: 0.25.3