TOTOLOG的博客

我有好几本跟机器学习和深度学习有关的书籍，想先复习机器学习，觉得这书挺适合刚入门的，理论没有很深，还有很多实例操作，写起笔记要简单一些。笔记一使我们产生了对机器学习的基础认识，大概明白它是怎么一个事。现在接着深入一点的学习之前的一些基础点，进而牵发出更多的学习内容。机器学习问题三大类：监督学习、非监督学习和强化学习。其中作者重点讲了下这个监督学习，我自己也觉得三类中监督学习似乎更发挥机器学习的魅力...

目录 为什么要降维 主成分分析 独立成分分析 实现非负矩阵分解 我们前面讲了数据的预处理，也着重讲了其中的特征工程。现在我们来理解下也是常用操作之一的降维。那么什么是降维，降维就是在大量特征面前适当的减少我们需要的特征，不要去选择一些对结果影响不大的特征。那为什么要降维呢？ 为什么要降维 这个涉及到一个叫做维度灾难的问题。我们从头解释下就是在针对解决一个问题时做特征选择的时候： 1...

目录 类别变量表示 文本特征表示 图像表示 1、使用色彩空间 2、图像角点检测 3、使用尺度不变特征变换 4、使用加速健壮特征 上两篇学习了特征工程的一些知识，现在接着学习，其实特征工程看起来简单，其实很大很杂，最多的还是要靠自己的智慧去做这件事，也许至少心里要有个底要怎么做会比较好。 回归正题，构建机器学习系统时最常见的数据类型之一是“类别特征”（也叫作离散特征），比如水...

我在接触AI——机器学习的时候，我一直觉得我们可以用传统的编程去解决机器学习现在在解决的问题，但是随着深入学习，我发现有些东西是不能的，因为这并不是一个好方法。 传统编程：①对某一类问题，我们要进行特定编程，对于衍生出来的问题，我们往往要重新编程； ②对于解决某一类问题，我们需要有非常清晰的逻辑，考虑到各种特殊点，要求对解决问题有非常深入的业务理解。 机器学...

还记得什么是回归吗？回忆下回归就是连续的输出，分类是离散的。 回归模型一般分为：①线性回归——就是线性方程，类似为一元一次方程（y=wx+b），比如你的年龄； ②逻辑回归（类似为曲线方程） 线性回归 先来详细的学习下线性回归，线性回归就是回归模型中最简单的，就像一元一次方程（y=wx+b）是数学方程组中最简单易学的一样。假设我...

目录 数据预处理 深入点理解特征工程 数据预处理详细过程 特征标准化 特征归一化 特征缩放到一定范围 特征二值化 缺失数据的处理 数据表示与特征工程是机器学习中非常非常重要的一个环节。什么是特征工程，其实就是寻找到表示数据最好的过程。如同我们前面做的机器学习实例，都是前辈们打包好了数据给我们用，但是在真实的开发中，数据往往是我们自己收集打包好的，如果这一步没做后面就没法做了。 ...

我们接着上一篇继续学习，还是在监督学习的范围内。先讲一下机器学习中最简单的算法之一——k-NN算法。什么是k-NN算法作者举了一个例子，我“填油加醋”的转述下。 假如：湖人队球迷讨厌凯尔特人队球迷，并且不愿与他们做邻居，你搬来我就搬走的地步。凯尔特人队球迷也不喜欢湖人队球迷，不想跟他们做邻居。这时候有个公司在促销凯尔特人队的宣传物品，刚开始一家家敲门推销宣传，可是如果是湖人队球迷它们就会被赶走，...

目录 简单的数组属性 基础的查看数据集 使用Matplotlib绘图： sklearn模型评估常用指标函数 numpy.random.randint numpy.linspace numpy.ones numpy.sum numpy.random.randn numpy.random.rand shape() sklearn.linear_model.LinearRegre...

我们前面讲了回归模型一般分为线性回归和逻辑回归。所谓的逻辑回归，其实就是用于目标为分类的模型。它使用一个逻辑函数（或者sigmoid函数）把任意输入的实值x转换成值区间为0-1之间的一个预测值ŷ。逻辑回归比线性回归多了一步，就是把结果值投射到逻辑函数上，得出结论为0.2概率为A，0.3概率为B，0.5概率为C，那么我们认为他就是C。和分类模型不一样，分类模型只有是或不是，不存在概率。 sigmo...