hcyxy

监督学习：根据已有的数据集，我们知道输入和输出结果之间的关系。根据这种已知的关系，训练得到一个最优的模型。监督学习主要分为分类问题和回归问题。  分类问题：输出结果是有限个结果，比如结果集为T={A，B，C}。回归问题：更像是一个连续的函数y=f(x),根据你的输入x，得到一个y值。生活中的例子来说明：分类问题，比如给你一些植物的特征，比如颜色，味道，大小，让你来判断它是属于蔬

上一节主要介绍了机器学习中监督学习和无监督学习的区别。这一章主要介绍监督学习中的分类算法-逻辑回归，也叫logistic回归。逻辑回归：根据已有的数据点，根据这些数据分类的边界建立回归公式，找到最佳拟合参数集。    要介绍算法实现之前，肯定要先介绍其数学实现原理。对于这些特征数据点，假如我们有：（公式图片来源于网络）（x1，x2代表数据的特征，比如这些数据点是来自

集成学习：将各种分类器组合起来，这种组合结果被视为集成方法或元算法。使用集成方法有很多形式：同一算法、同一分类器在不同限定条件下的集成，或者不同算法的集成，数据集不同部分分配给不同算法的集成。1、主要的两种集成方法##集成方法主要包括bagging和boost。 1.1 bagging基本处理思路 A、利用boostrap方法抽取n个训练样本，样本可能被重复抽到。然后再进行k轮抽取，得到

很多人都想知道，谷歌、微软、Facebook 这样的顶级科技公司，在面试大数据机器学习工程师时会问些什么问题。可惜的是，这些公司的面试者事先都要签保密协议，不允许把面试题目泄露出去。不过美国一家做企业点评与职位搜索的职场社区 glassdoor 还是想方设法搞到了面试题目。让我们现在就揭开这层神秘的面纱吧!Part1一般性问题苹果1.假设你面临着数百万用户，每个用户有数百笔交易，涉及成千上万种产品。

原文链接： https://zhuanlan.zhihu.com/p/29119239卷积层尺寸的计算原理输入矩阵格式：四个维度，依次为：样本数、图像高度、图像宽度、图像通道数输出矩阵格式：与输出矩阵的维度顺序和含义相同，但是后三个维度（图像高度、图像宽度、图像通道数）的尺寸发生变化。权重矩阵（卷积核）格式：...