机器学习——10.29

最新推荐文章于 2025-12-21 09:56:40 发布

原创最新推荐文章于 2025-12-21 09:56:40 发布 · 220 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习

临近考试，博主开始复习机器学习课程，并着手整理笔记。

马上快考试了，来复习一下机器学习的课，先整理一下笔记！
笔记1
笔记2

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

qq_43664591

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

机器学习实战——Topic1使用线性回归构建房价预测模型

weixin_54039182的博客

10-15

1869

我们的案例基于波士顿房价数据集，使用sklearn.linear_model模块提供的线性回归函数，构建房价预测模型，预测房价。

Kaggle经典项目——房价预测

热门推荐

zenghr的博客

07-19

5万+

写在前面：这篇文章旨在梳理kaggle回归问题的一个基本流程。博主只是一个数据分析刚入门的新手，有些错漏之处还请批评指正。很遗憾这个项目最后提交的Private Score只达到了排行榜的TOP13%，我目前也还没有更好的方法去进一步提高分数，不过整个项目做完之后对kaggle回归预测项目的解题思路有了一套比较完整清楚的认识，总结出来和大家分享，欢迎共同探讨。 1.项目背景问题陈述房价预测是kaggle的一个经典Data Science项目，作为数据分析的新手，这是一个很好的入门练习项目。任务很明确

参与评论您还未登录，请先登录后发表或查看评论

（《机器学习》完整版系列）第10章降维与度量学习——10.8 流形学习（等度量映射Isomap算法、局部线性嵌入LLE算法）

qiy_icbc的博客

03-16

487

拓扑“流形”是指局部与欧氏空间同胚的空间，简言之，形象地理解为：流畅地“拼接”局部超平面（每一个“局部”都能都能视为欧氏空间）。等度量映射策略：将空间中视为一个紧挨一个的“局部”拼接而成，而“局部”视为欧氏空间（定义了欧氏距离）局部线性嵌入策略：它的局部是指$k$近邻，在局部可以用一个超平面替换（低维流形嵌入高维中），且这种嵌入具有“线性关系”不变的特点

（《机器学习》完整版系列）第10章降维与度量学习——10.3 主成分分析的优化目标（坐标变换的魔力）

qiy_icbc的博客

03-16

263

MDS算法并未限定变换的特点，当然，对线性变换也有效。由于线性变换的特殊性，可以充分利用线性变换理论进行降维。由此得到主成分分析法，本篇我们从数学角度推导出主成分分析的优化目标。你在数学中学习了坐标变换，这里就是它的应用，希望你能找到感觉。

（《机器学习》完整版系列）第10章降维与度量学习——10.9 局部线性嵌入公式推导（更正书中的公式）

qiy_icbc的博客

03-16

607

上篇给出了局部线性嵌入LLE算法，然而，局部线性嵌入LLE算法的推导需要较多的数学知识，为方便进一步深造的同学的学习，我们进行较详细推导。同时，我们更正书中局部线性嵌入LLE算法的公式

NNDL 实验二 pytorch入门——张量

weixin_63539289的博客

09-10

2149

神经网络与深度学习（二） pytorch入门——张量的基本用法

深度学习之路

bucan804228552的博客

07-28

1677

学习记录一、python 【7.19】菜鸟教程数据类型二、cs231n 1.k-最近邻算法 2.线性分类

在 ClickHouse 中进行机器学习数据建模

ClickHouseDB的博客

09-13

2035

本文字数：17443；估计阅读时间：44 分钟作者：Dale McDiarmid本文在公众号【ClickHouseInc】首发本文将探索 MLOps 的世界，探讨如何在 ClickHouse 中对数据进行建模和转换，使其成为高效的特征存储，用于训练机器学习模型。我们将重点关注 ClickHouse 作为数据源、离线存储和转换引擎的角色。这些特征存储组件对于高效、准确地传递数据至关重要。尽管大多数开箱即用的特征存储提供了抽象层，我们将深入探讨如何高效建模数据，以构建和提供特征。

Linux基础学习之Day12-网络管理基础

yyf0430的博客

07-01

421

Linux网卡配置

计算机网络第1章——概述（湖科大计算机网络学习笔记）

Java

10-15

1079

对于普通的计算机网络用户而言，接触最多的计算机网络就是因特网，它是当今世界上最大的计算机网络。计算机网络并没有一个精确和统一的定义。在计算机网络发展的不同阶段，人们对计算机网络给出了不同的定义，这些定义反映了当时计算机网络技术发展的水平。一些互连的自治的计算机的集合。现在来分别解释一下这三个关键词，如上图右边所示，这是一个小型互联网。互连是指计算机之间可以通过有线链路或无线链路的方式进行数据通信。自治是指独立运行的计算机，它们有自己的硬件和软件，可以独立运行。计算机的集合是指至少需要两台。

数据集——文物分类

m0_71559726的博客

06-08

812

根据文物的各种特征，对文物进行分类——机器学习。

01.需要了解的五种机器学习类型

AI算法蒋同学的博客

12-18

678

ML 是计算机科学、[数据科学]和[人工智能] (AI) 的子集，它使系统能够从数据中学习和改进，而无需额外的编程干预。ML 模型不依赖用于性能优化的显示指令，而是采用算法和统计模型，以根据数据模式和推论来部署任务。换句话说，ML 利用输入数据来预测输出，并随着新数据的出现不断更新输出。例如，在零售网站上，机器学习算法通过根据购买历史提出建议来影响消费者的购买决策。

机器学习-特征选择

ArtoriaLili的博客

12-20

180

特征选择首先从特征全集中产生一个特征子集，然后用评价函数对该特征子集进行评价，评价结果与停止准则进行比较，如果评级结果比停止准则好就停止，否则就继续产生下一组特征自己，选出来的特征子集一般还要验证其有效性。其在空间采样，样本划分中的表现较多，同时噪声影响大，因此需要进行特征降维。修斯现象说明，随着特征数量的增加，分类器的性能也会提高，直到达到最佳特征数。特征选择能剔除不相关和冗余特征，从而达到减少特征个数，提高模型精度，减少运行时间的目的。2.特征个数越多，会有维度灾难，模型越复杂，推广能力也会下降。

03.统计学机器学习

AI算法蒋同学的博客

12-18

810

本文探讨了机器学习中的统计思维基础，指出机器学习本质上是建立在统计学和概率论之上的统计过程。文章从三个核心概念展开：1）统计学作为从数据中提取洞察的科学，为机器学习提供数学基础；2）概率论作为量化不确定性的工具，是建模预测不确定性的关键；3）概率分布作为描述数据行为的数学函数，支撑着误差建模、损失函数设计等机器学习核心环节。文章强调，理解这些统计概念对于构建可靠、可解释的AI系统至关重要，它们是现代机器学习（从简单回归到复杂神经网络）的理论支柱。通过介绍描述性统计指标、概率基本概念和常见概率分布，为读者提供

机器学习高阶教程＜8＞分布式训练三大核心策略拆解

2303_77568009的博客

12-20

629

当单卡GPU遭遇显存不足、训练过慢的瓶颈时，分布式训练是突破限制的关键。本文深入浅出地解析了分布式训练的三大核心策略：数据并行通过复制模型、同步梯度实现高效训练；模型并行通过流水线与张量拆分攻克大模型存储难题；混合并行结合ZeRO等技术进一步优化资源。文中不仅配有PyTorch DDP、Megatron-LM等实战代码，还总结了常见陷阱与解决方案，助你轻松驾驭大规模模型训练。

机器学习014:监督学习【分类算法】（逻辑回归）-- 一个“是与非”的智慧分类器

最新发布

这里是数字化与人工智能的 “实验场” 与 “瞭望台”

12-21

497

让我们回顾一下今天的旅程。我们从银行贷款的类比出发，认识了逻辑回归这位“二分法裁判”。我们明确了它在神经网络家族中作为基础单层二分类模型的定位；深入剖析了它通过线性加权、Sigmoid概率化和阈值决策的核心原理；也客观看到了它无法处理复杂非线性问题的局限；最后，我们描绘了它在金融、医疗、互联网等领域的广泛应用。一句话概括逻辑回归的核心价值：逻辑回归是机器学习中，以极高效率和优秀可解释性，解决线性可分二分类问题的奠基性与实用性模型。

多模态模型CLIP详解

A1233242的博客

12-17

954

CLIP（Contrastive Language–Image Pretraining）是 OpenAI 提出的一种多模态模型，通过对大量“图像–文本”对进行对比学习训练，使模型能够将图像和自然语言映射到同一个语义空间中。它不需要为每个视觉任务单独标注数据，而是通过理解文本描述来完成图像分类、检索和零样本学习等任务，从而具备很强的泛化能力和跨模态理解能力

机器学习007:监督学习【回归算法】（线性回归）--股票背后的预测学

这里是数字化与人工智能的 “实验场” 与 “瞭望台”

12-19

996

好了，我们的线性回归之旅就要结束了。现在，请你再回想一下那家奶茶店。从经验中学习规律，用规律预测未来。它是一种寻找数据间简单、直观的线性规律，并用于做出靠谱数值预测的、高度可解释的基础工具。作为初学者，学习线性回归的重点不在于记忆公式，而在于透彻理解其“加权求和”的核心思想和“通过减少误差来学习”的训练逻辑，同时清醒地认识其“只能拟合直线”的根本局限。它就像一把直尺，能量出直线的距离，却画不出优美的曲线。

从GAN到WGAN-GP：生成对抗网络的进化之路与实战详解

像风一样自由的博客

12-18

596

生成对抗网络的演进与WGAN-GP实现本文系统梳理了GAN技术的演进历程，从原始GAN到WGAN再到WGAN-GP的改进过程。原始GAN存在训练不稳定、模式崩塌等问题，WGAN通过引入Wasserstein距离解决了梯度消失问题，而WGAN-GP进一步用梯度惩罚取代权重剪枝，使模型训练更加稳定。文章详细分析了各代GAN的数学原理和优缺点，并提供了WGAN-GP的核心PyTorch实现代码，包括梯度惩罚计算函数和训练循环示例。这些改进使生成对抗网络在图像生成等任务中表现出更稳定的训练过程和更好的生成效果。

AlphaControls v10.29 支持Delphi 10.1及最新皮肤体验

### AlphaControls v10.29 Stable (D5~D10.1) (x86&x64) DCUs 知识点 AlphaControls 是一个第三方的Delphi/C++ Builder组件包，由TMS Software开发。这个包为程序员提供了一系列预先设计的用户界面组件，使得开发...