1、机器学习之初体验

新年伊始,万象更新,迈向人工智能,进军机器学习。虽才能不足,废材一枚,但管不了那么多了。银桑说过:“我已经准备好吃自己喜欢的东西,来度过这苦逼的人生了。”,那么就准备好来学习让自己感兴趣的东西吧。

 

人工智能有很多分支,接下来主要是先从机器学习这个维度来入手,并且是通过学习邹博的视频结合斯坦福大学提供的教学视频来学习https://www.coursera.org/learn/machine-learning

 

“机器学习是人工智能的一个分支。我们使用计算机设计一个系统,使它能够根据提供的训练数据按照一定的方式来学习;随着训练次数的增加,该系统可以在性能上不断学习和改进;通过参数优化的学习模型,能够用于预测相关问题的输出。”

以上引至邹博的讲义。

之前有学习过一点点线性回归,梯度下降等,但是其实都没有带入自己的思考在里面,所以几乎都是浅尝辄止,不能再这样子下去了。卡尼曼有本书《快与慢》,慢点也没关系,启动系统2来完成这个年度的学习。

另外,python也一并在这里“矩阵重装”了。

今天听了一节特级教师带来的数学课,收获非常之大,给了鄙人很多深入未知领域的勇气。对,数学中有“域”、“群”、“环”,这的确很美妙。

### 关于使用 Numpy 进行机器学习入门 Numpy 是 Python 中用于科学计算的基础库之一,在机器学习领域扮演着重要角色。该库提供了高效的多维数组对象以及处理这些数组所需的工具。 #### 创建和操作基础数据结构 对于初学者来说,理解如何创建不同类型的数组至关重要。`numpy.ones()` 可以用来快速创建数值全为 1 的多维数组[^1]: ```python import numpy as np ones_array = np.ones((3, 4)) print(ones_array) ``` 除了 `ones()` 方法外,还可以利用其他方法如 `array()` 来初始化自定义的数据集[^3];而当需要生成一系列连续整数时,则可考虑采用 `arange()` 函数[^4]: ```python custom_data = np.array([[1, 2], [3, 4]]) sequence_numbers = np.arange(start=0, stop=10, step=2) print(custom_data) print(sequence_numbers) ``` #### 数据预处理与特征工程 在实际应用中,往往还需要对原始数据做进一步加工以便更好地适应模型训练需求。这可能涉及到调整矩阵尺寸、选取子集或是执行更复杂的转换操作。例如,可以通过重塑(reshape)、展平(flatten)等方式改变现有数组的形式[^5]: ```python original_shape = custom_data.reshape(-1) # 将二维转成一维向量 flattened_version = original_shape.flatten() print(original_shape.shape) print(flattened_version) ``` #### 随机化技术及其应用场景 随机抽样也是许多算法实现过程中不可或缺的一部分。借助 NumPy 提供的相关功能模块能够方便地获取满足特定分布特性的样本集合,这对于模拟实验环境下的参数估计等问题尤为有用[^2]。 综上所述,掌握好上述几个方面不仅有助于加深对 NumPy 库本身的理解,同时也为进一步深入探索诸如 TensorFlow 或 PyTorch 等高级框架打下坚实基础。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值