
机器学习
文章平均质量分 95
ppp8300885
这个作者很懒,什么都没留下…
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
[机器学习]逻辑回归公式推导及其梯度下降法的Python实现
一般来说,二项逻辑斯谛回归模型是一个二分类判别模型,由条件概率分布P(Y|X)P(Y|X)P(Y|X)表示,随机变量XXX为实数,YYY取值0或者1。我们通过比较P(Y=1|x)P(Y=1|x)P(Y=1|x)和P(Y=0|x)P(Y=0|x)P(Y=0|x)值大小来判断给定x的类别为1还是0。从线性模型推导我们先说广义的线性回归:y=wx+by=wx+by=wx+b,这里 yyy为回...原创 2018-02-09 22:43:39 · 3974 阅读 · 0 评论 -
研发工程师面试题整理
TCP, UDP区别和各自优缺TCP提供一种面向连接的、可靠的字节流服务 在一个 TCP 连接中,仅有两方进行彼此通信。广播和多播不能用于 TCP TCP使用校验和,确认和重传机制来保证可靠传输 TCP 给数据分节进行排序,并使用累积确认保证数据的顺序不变和非重复 TCP使用滑动窗口机制来实现流量控制,通过动态改变窗口的大小进行拥塞控制注意:TCP 并不能保证数据一定会被对方接收...原创 2018-02-28 15:35:10 · 6081 阅读 · 0 评论 -
机器学习和数据挖掘算法面试知识点
机器学习算法决策树(DT)ID3: 基于信息增益的大小来逐层确定分类的特征。我们知道信息量的增加能消除对事件的不确定性,因此我们每次选择信息增益大的特征作为分类特征, 表示引入此特征后,信息量增加最多,能把对事件的不确定性降为最低,墒最低。信息增益g(D,A)(互信息)由熵H(D)与条件熵H(D|A)之差算出, 条件墒H(D|A)表示在引入A特征后,D的不确定度,也就是墒的大小,我...原创 2018-04-05 10:17:19 · 1617 阅读 · 0 评论 -
变分自动编码机(VAE)理解和实现(Tensorflow)
你需要知道的:自动编码机Auto-Encoder (AE)由两部分encoder和decoder组成,encoder输入x数据,输出潜在变量z,decoder输入z然后输出一个x’,目的是让x’与x的分布尽量一致,当两者完全一样时,中间的潜在变量z可以看作是x的一种压缩状态,包含了x的全部feature特征,此时监督信号就是原数据x本身。变分自动编码机VAE是自动编码机的一种扩展,它假设输...原创 2018-05-04 10:21:58 · 16320 阅读 · 9 评论 -
(Neural Turning Machine)神经图灵机理解和pytorch实现
motivation原创 2018-05-25 21:25:26 · 8746 阅读 · 4 评论 -
进化策略优化算法CEM(Cross Entropy Method)
1. 进化策略与遗传算法进化策略算法(Evolutionary Strategies,ES)是一种基于进化理论的算法,通过适者生存的自然法则来淘汰和筛选样本,目的是获得更好的样本(参数),与遗传算法一样,它也是通过参数扰动来探索更好的解,但是进化策略可以看做是遗传算法的一种扩展:在遗传算法中,我们用一串0/1数组表示遗传DNA,用父代们的DNA重组和变异得到不同的子代DNA,然后通过适应性函数...原创 2018-06-08 16:09:28 · 22279 阅读 · 3 评论 -
Sequential Monte Carlo Methods (SMC) 序列蒙特卡洛/粒子滤波/Bootstrap Filtering
Problem Statement我们考虑一个具有马尔可夫性质、非线性、非高斯的状态空间模型(State Space Model):对于一个时间序列上的观测结果{yt,t∈N}\{ y_t , t \in N \}{yt,t∈N},我们认为每个观测结果yty_tyt的生成依赖于一个无法直接观察的隐变量xt∈{xt,t∈N}x_t \in \{x_t , t \in N \}xt∈{xt,...原创 2018-12-21 15:49:27 · 10700 阅读 · 0 评论 -
从一阶线性模型到FFM
前言FFM从Linear Model开始假设我们有下图这样的推荐数据,对于第一行样本,我们用语言翻译:用户1在语境3下对物体2有一个点击行为(click=1);这里,用户(user),语境(context)和物体(item)都是特征,点击行为是label,我们要用一个模型去拟合这个label,使这个模型能够预测一个用户在某语境下对某物体的的点击率。最简单的模型为线性模型,即:y=∑i∈Cw...原创 2019-01-13 01:22:01 · 11310 阅读 · 0 评论