1. 介绍 Intrdouction

最新推荐文章于 2024-06-04 10:02:20 发布
最新推荐文章于 2024-06-04 10:02:20 发布
阅读量516 收藏
点赞数
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_30981697/article/details/71438623
版权
本文介绍了机器学习的基础概念，包括与数据挖掘、人工智能、统计学习的区别。探讨了机器学习的资源，如udacity、Coursera等在线课程，以及斯坦福大学的公开课。此外，列举了多项著名机器学习技术，如SVM、神经网络和集成方法等，适合初学者入门参考。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1. 介绍 Intrdouction

  2015年开始接触机器学习，目前不到两年，读过一些文献，也参加过比赛，看到一些学术大牛的报告，也听过了工业界领军人物的演讲。刚开始看到knn会忍不住赞叹，现在学习深度学习依然敬佩不已。一年多来没有在这个领域有所成就，但是也断断续续看了不少，准备把这些内容做一个归纳整合，希望在这个过程中再得到一些提升。

1 什么是机器学习？

  经常能听到别人把机器学习（machine learning）、数据挖掘（data mining）、人工智能（artificial intelligence）、统计学习（statistical learning）这几个词放在一起。好像非常相像，但仔细一想又不太一样。简单说一下我的理解吧。

  • 机器学习：属于人工智能的一个分支，开始起来是在计算机那边，现在已经是一个科学分支。经常去逛招聘网站的应该可以注意到，机器学习是一个非常热门的岗位，也经常被叫做数据挖掘岗。
  • 数据挖掘&#x
最低0.47元/天 解锁文章
FM（因子分解机系列）
乐享极客
07-12 8605
因子分解机，FFM，线性回归
Kaggle滑水 - CTR预估（FM_FFM）
Snoopy_Yuan技术部落格
06-15 2585
本文继续以Avazu-CTR赛题为背景，尝试采用FM（Factorization Machine，因子分解机）及FFM（Field-aware Factorization Machine，场感知因子分解机）来进行CTR预估任务。 本文的源码托管于我的Github：PnYuan - Kaggle_CTR，欢迎查看交流。 1.概念 商用推荐场景中的CTR预估工作易面临大规模稀疏数据的挑战...
特征交叉系列：FFM场感知因子分解机原理与实践
最新发布
2401_85325519的博客
06-04 934
FFM（Field-aware Factorization Machines）场感知因子分解机，基于FM算法，在FM的公式基础上在二阶隐向量相乘的时候对不同的特征域进行了区分，使得不同业务特征的交叉具有个性化。
场感知分解机FFM
李问渔
03-30 526
碎碎念 最近读FM、FFM、DeepFM的paper，整理知识点和原理，越来越感觉即使推导了公式，用LibFM、xlearn等在数据集上跑了，也始终心里没底，调包侠还是level太低。这种感觉就像是刷LeetCode，看了别人的代码，依然没把握面试时能写出bug-free的代码一样。工程实现！一定要敲一遍代码才算掌握！ 场感知分解机 场感知分解机（Field-aware Factorization...
【机器学习】因子分解机FM、场感知因子分解机FFM 算法 整理
CWS_chen
04-23 3210
逻辑回归无法学习到特征间的组合关系，因此有了 因子分解机FM 和 场感知因子分解机FFM。 接下来，介绍下场感知因子分解机的主要应用。FFM模型可以自动做特征组合和处理高维稀疏特征，因而它在处理大量离散特征问题上往往有比较好的效果。但要注意对连续特征做归一化或者离散化。 因子分解机FM 1.FM背景 在计算广告中，CTR预估(click-through rate)是非常重要的一个环节，因为...
【转载】深入FFM原理与实践
xceman1997的专栏
03-05 1万+
原文地址：http://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.html 深入FFM原理与实践 del2z, 大龙 ·2016-03-03 09:00 FM和FFM模型是最近几年提出的模型，凭借其在数据量比较大并且特征稀疏的情况下，仍然能够得到优秀的性能和效果的特性，屡
简单易学的机器学习算法——因子分解机(Factorization Machine)
热门推荐
null的专栏
05-06 6万+
一、因子分解机FM的模型 因子分解机(Factorization Machine, FM)是由Steffen Rendle提出的一种基于矩阵分解的机器学习算法。1、因子分解机FM的优势 对于因子分解机FM来说，最大的特点是对于稀疏的数据具有很好的学习能力。现实中稀疏的数据很多，例如作者所举的推荐系统的例子便是一个很直观的具有稀疏特点的例子。2、因子分解机FM的模型
特征组合之因子分解机(FM)
Madazy的博客
11-20 2095
特征组合之因子分解机(FM) 1. 为什么需要因子分解机？ 在上一篇博客特征组合中提到，暴力交叉会导致特征组合的特征稀疏的问题，所以FM(Factorization Machine)主要目标是：解决数据稀疏的情况下，特征怎样组合的问题。 核心： 对于因子分解机FM来说，最大的特点是对于稀疏的数据具有很好的学习能力。 2.什么是FM因子分解机？ FM因式分解机是一种基于LR模型的高效的学习特征间相互...
Factorization Machines 因子分解机 + Field-aware Factorization Machine(FFM) 场感知分解机
qq_41786778的博客
03-01 286
推荐系统学习笔记之四 Factorization Machines 因子分解机 + Field-aware Factorization Machine(FFM) 场感知分解机 https://blog.csdn.net/ddydavie/article/details/82667890 https://tech.meituan.com/2016/03/03/deep-understanding...
一些对因子分解机介绍的比较详细的网站
fragrance313的专栏
09-26 977
1. https://tracholar.github.io/machine-learning/2017/03/10/factorization-machine.html 2. https://plushunter.github.io/2017/07/13/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%AE%97%E6%B3%95%E7%B3%BB%E5%88%...
因子分解机（libffm+xlearn）
songbinxu的博客
03-23 1万+
因子分解机 一、简介   在CTR和CVR预估任务中，可能有大量的ID类特征（Categorical Feature），一般来说并不适合直接送入树模型（xgboost完全不支持，lightgbm只根据取值不同），一种常用的做法是通过Label Encoding变成离散的稀疏的高维向量（最具代表的是Onehot独热编码），然后送入LR训练。在独热编码的作用下，产生了多项式模型参数学习困难的问...
推荐系统学习笔记之四 Factorization Machines 因子分解机 + Field-aware Factorization Machine(FFM) 场感知分解机
小鹅鹅的博客
10-23 1万+
前言Factorization Machines(FM) 因子分解机是Steffen Rendle于2010年提出，而Field-aware Factorization Machine (FFM) 场感知分解机最初的概念来自于Yu-Chin Juan与其比赛队员，它们借鉴了辣子Michael Jahrer的论文中field概念，提出了FM的升级版模型。 FM的paper中主要对比对象是SVM支持向
因子分解机 FM和FFM
韦人人韦
09-12 1万+
因子分解机 Factorization Machine 因子分解机主要是考虑了特征之间的关联。 FM主要是为了解决数据稀疏的情况下，（而SVM无法解决稀疏问题），特征怎样组合的问题。 数据稀疏是指数据的维度很大，但是其中为0的维度很多。推荐系统是常见应用场景，原因是推荐系统中类别属性（如商品id）比较多，每一种类别属性经过onehot处理后会产生大量值为0的特征，导致样本变得稀疏，而FM就可...
【机器学习】因子分解机（Factorization Machine）原理与java实现
Luqiang_Shi的博客
01-20 1513
【机器学习】因子分解机（Factorization Machine）原理与java实现1、因子分解机原理1.1、分离超平面1.2、阈值函数1.3、样本概率1.4、损失函数1.5、随机梯度下降训练模型2、java实现参考资料 因子分解机（Factorization Machine）与Logistic Regression算法和Softmax Regression算法一样，都是基于概率的机器学习算法。...
因子分解机
qq_24569101的博客
12-06 894
FM(Factorization Machine)模型描述在点击率预估等任务中，10维的类别型特征做onehot编码后变成1000维特征，绝大多数特征取值为0，即特征稀疏。然后，某些稀疏特征经过关联得到的关联特征，例如“化妆品”类商品和“女”性，与label之间的相关性会提高。
人脸特征点提取算法包对比（ASM/深度学习）
u013803245的专栏
04-27 4万+
将现有的ASM公开算法包进行对比，且以ASMLibrary为例，进行了简单实验，保存人脸68个特征点坐标。另外也罗列了深度学习在人脸特征点检测的相关英文教程，并进行了简单总结。
Factorization Machines（因子分解机）
RRZS的博客
02-10 2187
本文是大阪大学的Steffen Rendle 文章Factorization Machines ，该作者是因子分解机的提出者，后续又对其进行改进，本文是对其原始论文的解读。一、FM的优点在于其可以提取用户和项目的交叉特征，由于在提取特征的时候采用的是类似矩阵分解的方法，可通过控制特征的维数k来保持模型的泛华能力，避免过拟合的问题，在稀疏数据下仍然适用。二、FACTORIZATIONMACHINES...
5. 矩阵的LU分解、QR分解
n不正
05-10 7813
5. 矩阵的LU分解、QR分解 pdf版本下载：https://pan.baidu.com/s/1eRZySbK html版本下载：https://pan.baidu.com/s/1geVsYvL   这一部分主要回顾一下矩阵里面的两种重要分解，LU分解和QR分解。LU分解的主要用途包括求解矩阵的逆，求解线性方程组等。与QR分解最相关的就是最小二乘法了。还用于数值分析中，例如计算矩阵特征值。1 LU
4. Lasso回归和岭（Ridge）回归
n不正
05-09 5224
4. Lasso回归和岭（Ridge）回归 pdf版本下载地址：https://pan.baidu.com/s/1i5JtT9j html版本下载地址：https://pan.baidu.com/s/1cMqblc LASSO 由1996年 Robert Tibshirani 首次提出，全称 Least absolute shrinkage and selection operator
9. K近邻算法 KNN
n不正
05-13 927
9. K近邻算法 KNN pdf版本下载：https://pan.baidu.com/s/1i48oAI5 html版本下载：https://pan.baidu.com/s/1c1ODJWk   KNN算法也是经典的机器学习算法之一。本节对这个算法做一个简单的介绍。1 简介 KNN是K-Neighbor Nearest的缩写，顾名思义，就是要寻找到距离最近的k个点。如果是分类问题，将该点分类为这k个
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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