终于到更机器学习了，先上一篇别人总结的

最新推荐文章于 2025-10-16 16:56:32 发布
原创 最新推荐文章于 2025-10-16 16:56:32 发布 · 161 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-NC-SA 版权协议，转载请附上原文出处链接和本声明。

本文概览了机器学习与深度学习领域的核心算法，包括逻辑回归、决策树、XGboost、随机森林、梯度提升树、LightGBM等经典模型，以及神经网络的过拟合解决方案和深度学习优化函数的详细解析。

机器学习与深度学习算法集锦

sklearn库中的标准数据集及基本功能和无监督学习 

套用一句很有名广告词，
 

本博主不生产水，只做大自然 好水 的搬运工！

机器学习 

  1. 逻辑回归逻辑回归的常见面试点总结
  2. 决策树
  3. XGboost
  4. 随机森林
  5. 梯度提升树，GBDT
  6. LightGBM
  7. Boosting 算法
  8. 贝叶斯网络
  9. EM
  10. HMM
  11. 随机变量及其分布？

  • 深度学习

  1. 神经网络解决过拟合的方法
  2. 深度学习优化函数详解
  3. 交叉熵损失函数
  4. 深度学习常用损失函数
  •  
  • (60条消息)机器学习初轮廓——很好理解的几个知识点_人工智能_互联网学习中的小白-优快云博客
    https://blog.youkuaiyun.com/weixin_42168614/article/details/80685374
[网络安全自学篇] 二十三.基于机器学习的恶意请求识别及安全领域中的机器学习
杨秀璋的专栏
11-01 2万+
这是作者的系列网络安全自学教程，主要是关于网安工具和实践操作的在线笔记，特分享出来与博友共勉，希望您们喜欢，一起进步。前文分享了Web渗透的第一步工作，涉及网站信息、域名信息、端口信息、敏感信息及指纹信息收集。这篇文章换个口味，将分享机器学习在安全领域的应用，并复现一个基于机器学习（逻辑回归）的恶意请求识别。
机器学习如何赋能大数据分析？5个典型案例解析
2501_92132293的博客
08-31 1178
用“小朋友能听懂的话”，解释机器学习如何解决大数据的“痛点”——比如数据太多手动处理不了、数据太乱找不到规律、需要快速预测未来等。范围覆盖机器学习在大数据中的5个典型应用场景（电商、金融、医疗、物流、社交媒体），以及背后的核心算法与流程。文章分为“概念讲解→流程拆解→案例解析→未来趋势”四大部分：先用“积木”比喻讲清楚机器学习与大数据的关系，再用“做面包”的流程拆解机器学习的工作步骤，接着用5个真实案例说明“积木整理师”的具体作用，最后聊聊未来的“自动积木机”会是什么样。大数据。
强化学习入门这一篇就够了！！！万字长文
热门推荐
CltCj的博客
08-06 16万+
强化学习 强化学习入门这一篇就够了万字长文带你明明白白学习强化学习... 强化学习入门这一篇就够了强化学习前言一、概率统计知识回顾1.1 随机变量和观测值1.2 概率密度函数1.3 期望1.4 随机抽样二、强化学习的专业术语2.1 State and action2.2 policy-策略2.3 reward2.4 状态转移2.5 agent与环境交互三、强化学习的随机性3.1 动作随机3.2 状态转移的随机性四、如何让AI自动打游戏？五、强化学习基本概念5.1 Return5.2 价值函数5.3 Q~
5 大常用机器学习模型类型总结
2401_85773741的博客
11-13 1628
为了理解什么是集成学习算法，首先，你需要知道什么是集成学习。集成学习是一种同时使用多个模型，以达到比使用单一模型更好的性能的方法。从概念上讲，可以参考下面这个比喻：!我们向一个班里的学生提出一个数学问题。他们有两种解答方式：合作解答和单人解答。生活经验告诉我们，如果全班同学一起合作，那么学生之间可以互相检查，协作解决问题，并最终给出一个唯一的答案。然而单人作答就没有这种检查的福利了——即使他/她的答案错了，也没有人能帮他/她检验。
认识机器学习
m0_73879806的博客
05-04 2390
机器学习这个词的英文名称是 Machine Learning(简称ML) 的直译，在计算界Machine一般指计算机，说明了这门技术是让机器“学习”的技术。传统上如果我们想让计算机工作，我们给它一串指令，然后它遵照这个指令一步步执行下去。有因有果，非常明确。但这样的方式在机器学习中行不通。机器学习根本不接受你输入的指令，相反，它接受你输入的数据!也就是说，机器学习是一种让计算机利用数据而不是指令来进行各种工作的方法。从人的方面来看，机器学习更像是用经验来解决问题。
吴恩达机器学习课程作业（一）基于python实现 详细解析（上篇）
cc512613的博客
03-29 6411
@单变量线性回归 前言 斯坦福大学吴恩达老师的机器学习课程几乎是每位热爱人工智能领域同学的必修课。网上虽然有许多基于python实现的代码，但大多使用python交互模式解释器ipython实例讲解。本人基于自己的理解采用pycharm提供源代码及个人理解，部分代码可能参考他人代码部分，如有侵权请私信我 一、问题探讨 单变量线性回归算法需要根据城市人口数量，预测开小吃店的利润 数据可以从Coursera中获得，第一列是城市人口数量，第二列是该城市小吃店利润。 二、代码解析 1.引入库 代码如下（示例）： i
机器学习-01-课程目标与职位分析
IT从业者的成长历程
02-26 3003
本系列是机器学习课程的第01篇，主要介绍本门课程的课程目标与职位分析。
机器学习（一）
CPanMirai的博客
06-17 2597
机器学习是从数据中自动分析获取模型，并利用模型对未知数据进行预测。数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限。特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。意义：会直接影响机器学习的效果。在特征工程里面，我们使用的是sklearn,而不是pandas（数据清洗、数据处理）。对于归一化来说：如果出现异常点，影响了最大值和最小值，那么结果显示会发生变化。
机器学习入门概念--心血总结--史上最强--入门必读--回味无穷
zwt523211292的博客
09-07 1万+
1.一个故事说明什么是机器学习 2.机器学习的定义 3.机器学习的方法 4.机器学习的应用--大数据领域 5.机器学习的范畴--vs统计&挖掘 6.机器学习的子类--深度学习 7.机器学习的父类--人工智能 8.机器学习的思考--计算机的潜意识
机器学习总结（一）：常见的损失函数
以梦为马，不负韶华
03-30 5万+
这是博主的第一篇博客，mark一下，希望今后能够坚持下去。博主是机器学习菜鸟，将来希望从事机器学习的工作，最近在整理机器学习的知识点，将这些总结的文字以博客的形式展现出来，一是便于复习，二是分享出来希望能对别人会有一点点帮助。最近搜集了一些机器学习常见的面试问题，将问题和回答整理出来，做到有备无患。（随时进行补充）一、常见的损失函数通常机器学习每一个算法中都会有一个目标函数，算法的求解过程是通过对这
机器学习中常见知识点总结
Yasin的博客
08-30 1万+
Adam 优化器 结合 AdaGrad 和 RMSProp 两种优化算法的优点。对梯度的一阶矩估计（First Moment Estimation，即梯度的均值）和二阶矩估计（Second Moment Estimation，即梯度的未中心化的方差）进行综合考虑，计算出更新步长。 二阶矩： 梯度平方累积和的平方根 （时间上）。此项能够累积各个参数 gt,i 的历史梯度平方，频繁更新的梯度，则累积的......
第20篇：如何系统入门机器学习？——从迷茫到精通的认知升级之路
最新发布
maqh_csdn的博客
10-16 289
系统学习机器学习，不是知识的被动堆砌与理论的完美主义，而是以解决真实问题为导向，通过项目实践完成思维方式的主动重构与认知升级 。
人工智能——机器学习
weixin_56989099的博客
05-15 1977
文章转载于https://www.cnblogs.com/wangzhongqiu/p/9856628.html 人工智能人工智能，机器学习，深度学习，神经网络区别机器学习的范围机器学习的方法1、回归算法2、神经网络3、SVM（支持向量机）4、聚类算法5、降维算法6、推荐算法7、其他机器学习的分类机器学习模型的评估机器学习的应用机器学习的子类--深度学习机器学习的父类--人工智能 人工智能，机器学习，深度学习，神经网络区别 首先要简单区别几个概念：人工智能，机器学习，深度学习，神经网络。这几个词应该是出现
机器学习——推荐系统 知识点总结
qq_34896915的博客
07-12 3231
一、什么是推荐系统？ 概念：一种自动化的工具，可以分析你的历史兴趣，从庞大的库中推荐出喜欢的物品。 基本任务：联系用户和物品，解决信息过载的问题。 诞生：早在很多年前，科学家门就提出了很多解决方案，代表性的就是分类目录和搜索引擎。雅虎，谷歌。其中分类目录网站：能方便用户根据类别查找网站，但是只能覆盖少量的热门网站，越来越不能满足客户的需求。因此，搜索引擎诞生了。可以让用户根据搜索关键词来找到
特征选择对于机器学习重要性
TEDDY的博客
04-13 6220
1.7特征选择 特征选择对机器学习至关重要，个人认为在大部分机器学习任务中特征就决定了效果的上限，模型的选择与组合只是无限逼近于这个上限。 特征选择的主要作用包括：减少特征数量会防止维度灾难，减少训练时间；增强模型泛化能力，减少过拟合；增强对特征和特征值的理解。 常见的特征选择方法如下： 去除取值变化小的特征：如果绝大部分实例的某个特征取值一样，那这个特征起到的作用可能就比较有限，极端情况...
一些机器学习的练手的数据集（几百个，够你玩十年）
TEDDY的博客
04-15 2110
各领域公开数据集下载 - 知乎 https://zhuanlan.zhihu.com/p/2 数据集查找神器！100个大型机器学习数据集都汇总在这了 | 资源 - 知乎 https://zhuanlan.zhihu.com/p/59933802 【转载】100款机器学习数据集 - 知乎 https://zhuanlan.zhihu.com/p/34497496 机器学习新手在数据集上常犯的6...
线性回归——局部加权回归
TEDDY的博客
04-22 1356
有时候样本的波动很明显，可以采用局部加权回归，如下图，红色的线为局部加权回归的结果， 蓝色的线为普通的多项式回归的结果。蓝色的线有一些欠拟合了。 多项式回归——多一些 高次项的回归 局部加权回归的方法如下，首先看线性或多项式回归的损失函数 很明显，局部加权回归在每一次预测新样本时都会重新确定参数，以达到更好的预测效果。当数据规模比较大的时候计算量很大，学习效率很低。并且局部加权回归也不是...
线性回归中两个特征处理 方式 需要注意
TEDDY的博客
04-22 1198
在求解线性回归的模型时，有两个需要注意的问题 一就是特征组合问题，比如房子的长和宽作为两个特征参与模型的构造，不如把其相乘得到面积然后作为一个特征来进行求解，这样在特征选择上就做了减少维度的工作。 二就是特征归一化（Feature Scaling），这也是许多机器学习模型都需要注意的问题。 有些模型在各个维度进行不均匀伸缩后，最优解与原来不等价，例如SVM。对于这样的模型，除非本来各维数据的...
维度灾难问题---
TEDDY的博客
04-22 1175
Content 1 引言 2 维数灾难与过拟和 3 怎样避免维数灾难 4 总结　 1 1引言 本文章讨论的话题是“curse of dimension”，即维数灾难，并解释在分类它的重要性，在下面的章节我会对这个概念做一个直观的解释，并清晰的描述一个由维数灾难引起的过度拟合的问题。 下面不如正题，考虑我们有一堆猫和狗的图片，现在要做一个分类器，...
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

打赏作者

往事如yan

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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