qq_21438267的博客

一、基础概念与理论K-近邻算法决策树神经网络是什么？如何构成的ROC-AUC 与 PR-AUC 的区别与联系二、细分内容详解从零手动实现神经网络

人工智能基础总目录词向量模型一 One hot编码缺点降低维度1 PCA2 SVD二 Word2vec2.1 主流计算方法1 Skip gram2 CBOW2.2 计算方面的优化方法1 Tree softmax2 Negative Sampling三 Glove 模型四 句子向量Word embedding 是自然语言处理中的重要环节，它是一种文本表示方法，并不具体指某种算法或模型。Word embedding 的任务是把不可计算的文本转换成可以计算的向量 。研究表明，汉字的序顺影并不响阅读。研还究表

人工智能基础总目录自然语言处理初步一 句子理解1 分词与分句2 词性识别3 命名实体识别4 依存句法分析5 序列标注1 贝叶斯图2 马尔可夫图1 条件随机场2 最大团3 边缘分布4 条件概率二 主题模型有监督模型无监督模型LSAPLSALDA三 概率图模型3.1 贝叶斯概率图1 条件独立2 D分离定理3.2 马尔可夫概率图1 最大团一 句子理解1 分词与分句中文语言特有的需求（分词）2 词性识别3 命名实体识别命名实体识别结果： 人名，地名，机构名等的识别。4 依存句法分析约束性公理

人工智能基础总目录向量空间模型一 向量空间模型1.1 向量空间模型1.2 词、文档向量的表示1 词频2 归一化词频3 二值化词频4 TF-IDF5 TextRank二 向量空间模型构建2.1 共现矩阵2.2 词向量2.2.1 用处1 逻辑运算2 跨语言匹配3 翻译4 图像匹配和描述5 泛化2.2.2 词向量的获取方法1 Skip-gram2 CBOW三 距离计算3.1 欧式距离3.2 余弦距离3.3 Jaccard四 降维技术4.1 PCA4.2 通用方法总结 :4.2 T-SNE一 向量空间模型1

人工智能基础总目录RNN一、 出现背景二、 RNN 模型说明三、 LSTM 模型3.1 PEEPHOLE的LSTM四、 GRU五、存在问题六、 LSTM 代码实践6.1 构造数据集6.2 搭建模型6.3. 模型训练 与预测一、 出现背景序列问题， 输入的前后元素存在相关性，全连接神经网络无法很好的解决。wx + b二、 RNN 模型说明如果把上面有W的那个带箭头的圈去掉，它就变成了最普通的全连接神经网络。x是一个向量，它表示输入层的值（这里面没有画出来表示神经元节点的圆圈）；s是一个向量，它

人工智能基础总目录深度神经网络一、概念说明1.1 各种激活函数优缺点1.2 拓扑排序1.3 初始化原则与说明1.4 优化器介绍1 Gradient with momentum2 RMS-prop (Root mean square prop)3 ADAM二、3层神经网络搭建三、物体分类模型训练1 下载数据2 图片进行可视化展示3 神经网络搭建4 模型训练5 模型测评1、前向传播，反向传播作用是什么？2、训练出模型，去预测，预测时候需要求Loss么？ 需要做反向传播么？3、求Loss 对wi 的偏导，

人工智能基础总目录随机森林-集成学习一、随机森林二、Ensemble learning三、boostingAdaptive boosting（可调节的）Gradient BoostingXgboost 和 LightBGM四、 代码实践4.1 决策树4.2 随机森林4.3 GBDT4.4 Bagging4.5 Boosting集成模型一、随机森林决策树在复杂问题上效果不好，想出了一种方法，使用部分数据去掉某些行，某些列做出小决策树。每个决策树的关注点不一样，最后将小决策树汇总。最终实现的效果会比较好

人工智能基础总目录贝叶斯分类原理一、引入案例二、实现原理三、模型优缺点优点： 1 容易实现， 计算快， 可计算大数据量。缺点： 特征全部进行统计无选择， 忽略特征之间的相关性。一、引入案例计算法庭的误判概率： P(A|evident） = （ P(evident | A) * P(A) ） / P(evident)事件A 为 无罪的人，evident 为法院判决有罪的人在事件中A 发生的概率 = (1-0.0002)* 0.001 /( 0.0002 * 0.999 + (1-0.00

paddlepaddle 使用GPU 计算，安装cuDNN 和 CUDA记录根据paddlepaddle 指导文档选择安装版本，早点选择10.2不用浪费半天。查看N卡版本信号如果你使用的是安培架构的GPU，推荐使用CUDA11以上。如果你使用的是非安培架构的GPU，推荐使用CUDA10.2，性能更优。1 查询版本CPU, 查看10.2 是否可以，否则相应降低版本。2 下载CUDA 安装， 追加最新版本的更新。3 下载 cuDNN 10.2 版本， 后 需将 7 版本的同样需要下载。4 pip

人工智能基础总目录监督性学习人工智能基础总目录内容介绍一、 线性回归二、 线性回归多分类的时候-Softmax函数多分类的交叉商 cross_entrory三、 模型的评价值内容介绍线性回归 linear regression逻辑回归 logistic regressionsoftmax, cross-entropy模型评价指标一、 线性回归二、 线性回归逻辑回归是机器学习中的一种分类模型。虽然名字中带有回归，但是本质是一种分类算法。之所以没有同线性回归一样解决回归问题，是因为它在线性

人工智能基础总目录推荐系统概述人工智能基础总目录一、AI 概述机器学习的模型十大模型1 分类算法2 聚类算法3 关联分析4 连接分析5 python 相关算法包深度学习的模型1 深度学习的经典网络模型2 深度学习框架二、推荐系统概述1.机器如何找到这些适合你的商品1 推荐实现方法2 收集数据3 协同过滤的思想2.推荐系统的冷启动问题3 Exploit & Explore问题（利用与探索）3.1 Bandit算法解决冷启动3.2 AlphaGo中的UCB算法3 推荐系统架构一、AI 概述机器学习

人工智能总目录新闻头条数据进行聚类分析人工智能总目录1. 数据集信息2. 数据预处理2.1 为向量化表示进行前处理2.2 TF-IDF2.3 Stemming2.4 Tokenizing2.5 使用停用词、stemming 和自定义的 tokenizing 进行 TFIDF 向量化3 K-Means 聚类3.1 使用手肘法选择聚类簇的数量3.2 Clusters 等于 33.3 Clusters 等于 53.4 Clusters 等于 61. 数据集信息数据集在个人附件中，名为abcnews-da

人工智能基础总目录机器学习初探内容要点什么是优化问题 optimization problem动态规划 dynamic programming (coding)梯度下降 gradient descent (coding)什么是机器学习 machine learning特征、模型和预测 feature、model、predicate什么是向量距离 vector distance (coding)k-means聚类 (coding)一、从动态规划到机器学习优化问题示例： 题目说明

人工智能基础总目录人工智能基础导论相信是成功的必要条件（Trust is necessary for success）。相信自己能够克服学习上的困难，能够掌握人工智能方法及编程。遇到相关的名词术语，方程，公式，代码看不懂。首先查询维基百科、bing等高质量搜索引擎代码感到困难做不出来查询高质量搜索引擎，Stack Overflow，GitHub一、从时间维度人工智能的发展当一件事件被解决，尝试另一种事件。分类 -（围棋的搜索范围很大）-1 图灵：图灵测试，概念上的图灵机，实现

人工智能基础总目录第一章 K-近邻算法第一章 决策树第一章 神经网络及其构成第一章 ROC-AUC 与 PR-AUC 的区别与联系ROC-AUC 与 PR-AUC 介绍人工智能基础总目录一、 基础术语解释二、ROC-AUC 与 PR-AUC2.1 定义及计算ROC-AUC 计算PR-AUC 计算三、 使用场景和Python计算3.1 ROC-AUC 相关代码3.2 PR-AUC 相关代码一、 基础术语解释正例负例预测正真正例(true positive, TP)假正例

人工智能基础总目录第一章 K-近邻算法第一章 决策树第一章 神经网络及其构成第一章 ROC-AUC 与 PR-AUC 的区别与联系神经网络人工智能基础总目录一、一、

人工智能基础总目录第一章 K-近邻算法第一章 决策树决策树人工智能基础总目录一、介绍、决策树分类的两个步骤二、决策树的主要优点三、 ID3决策树信息增益算法流程算法优缺点四、 如何对决策树进行剪枝？预剪枝(pre-pruning)和后剪枝(post- pruning)1 预剪枝2 后剪枝一、介绍、决策树是一种逻辑简单的机器学习算法，采用树形结构，在分类问题中，使 用层层推理来实现最终的分类。一般，一棵决策树包含一个根节点，若干个内 部节点（非叶子节点）和若干个叶子节点，如下图的a,b,c节点。

人工智能基础总目录第一章 K-近邻算法第一章 决策树K-近邻算法人工智能基础总目录一、K-近邻算法的基本概念、核心思想二、K-近邻算法的三要素2.1 k值的选取k值过小k 值过大选取K值的方法2.2 距离的度量2.3 分类决策规则三、总结一、K-近邻算法的基本概念、核心思想k近邻(k-nearest neighbor, k-NN)算法由Cover和Hart于1968年提出，是一种基本分类和回归方法。本篇文章只讨论分类问题的k近邻算法。我们首先叙述k近邻算法的基本概念，然后讨论k近邻算法的三要素，最

搜索树，图算法，深度搜索与广度搜索一、深度搜索与广度搜索1.1 如连接关系的数据格式变化为元组二、 代码练习2.1 需求描述2.1.1 数据处理部分2.1.2 城市直接距离计算2.1.3 计算可以到达的城市关系2.1.4 查找相互连接的城市路径三、 编辑距离的练习四、总结一、深度搜索与广度搜索已知连接关系，查出与这个人有直接联系或间接联系的人。social_network = { '小张': ['小刘', '小王', '小红'], '小王': ['六六', '娇娇', '小曲'],

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档上下文管理器一、上下文管理器是什么？二、with块三、 contextlib 模块里的函数一、上下文管理器是什么？实现了 __enter__， __exit__ 的就是上下文管理器。示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、with块上下文管理器对象存在的目的是管理 with 语句，就像迭代器的存在是为了管理 for 语句一样。with 语句的目的是简化 try/finally

函数式编程一、什么是一等函数二、把函数视为对象三、高阶函数四、可调用的对象五、 支持函数式编程的包一、什么是一等函数运行时创建作为变量传给函数作为函数的结果返回能赋值给变量或数据结构中的元素二、把函数视为对象doc 是函数对象众多属性中的一个。是 function 类的实例。 type() 查看是哪个类。三、高阶函数接受函数为参数，或者把函数作为结果返回的函数是高阶函数（higherorder-function）mapfilterreducesorted四、可调.