机器学习实战 - ApacheCN

最新推荐文章于 2025-09-07 20:32:33 发布

weixin_30649641

最新推荐文章于 2025-09-07 20:32:33 发布

阅读量96

点赞数

CC 4.0 BY-SA版权

文章标签：数据结构与算法大数据人工智能

原文链接：http://www.cnblogs.com/wizardforcel/p/8460708.html

本文介绍了机器学习领域的核心算法，包括K近邻算法、决策树、朴素贝叶斯、逻辑斯蒂回归、支持向量机等，并覆盖了聚类、关联分析及降维等重要主题。

第 1 章: 基础知识
第 2 章: K近邻算法
第 3 章: 决策树算法
第 4 章: 朴素贝叶斯
第 5 章: 逻辑斯蒂回归
第 6 章: 支持向量机
第 7 章: 集成方法
第 8 章: 回归
第 9 章: 树回归
第 10 章: KMeans聚类
第 11 章: Apriori算法与关联分析
第 12 章: FP-growth高效发现频繁项集
第 13 章: PCA降维
第 14 章: SVD简化数据
第 15 章: 大数据与MapReduce
第 16 章: 推荐系统介绍
 为何录制教学版视频
 视频地址
 加入我们
 QQ群

转载于:https://www.cnblogs.com/wizardforcel/p/8460708.html

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

weixin_30649641

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

机器学习笔记-LightGBM

专注大数据与人工智能技术分享，欢迎私信加群互相学习！

08-02

1218

LightGBM是2017年由微软推出的可扩展机器学习系统，是微软旗下DMKT的一个开源项目，由2014年首届阿里巴巴大数据竞赛获胜者之一柯国霖老师带领开发。它是一款基于GBDT（梯度提升决策树）算法的分布式梯度提升框架，为了满足缩短模型计算时间的需求，LightGBM的设计思路主要集中在减小数据对内存与计算性能的使用，以及减少多机器并行计算时的通讯代价。LightGBM可以看作是XGBoost的升级豪华版，在获得与XGBoost近似精度的同时，又提供了更快的训练速度与更少的内存消耗。

ApacheCN 学习资源汇总 2018.12

热门推荐

龙哥盟

12-28

4万+

【主页】 apachecn.org 【Github】@ApacheCN 暂时下线: 社区暂时下线: cwiki 知识库自媒体平台微博：@ApacheCN 知乎：@ApacheCN 优快云简书 OSChina 博客园我们不是 Apache 的官方组织/机构/团体，只是 Apache 技术栈（以及 AI）的爱好者！合作or侵权，请联系【fonttian】fonttian@gma...

参与评论您还未登录，请先登录后发表或查看评论

【机器学习实战】第1章 机器学习基础

weixin_33908217的博客

04-24

298

为什么80%的码农都做不了架构师？>>> ...

机器学习入门-ApacheCN-机器学习实战

Youngo的博客

05-08

1419

机器实战开源组织ApacheCN：https://github.com/apachecn/MachineLearning/ 网站http://cwiki.apachecn.org/

某最新《ApacheCN机器学习实战》完整版

weixin_44654984的博客

03-02

274

下载地址：百度网盘

机器学习实战基于_[编程]-机器学习实战-概览

weixin_39521835的博客

12-09

120

* 参考教程... ** 机器学习实战 handson-ml... ** 吴恩达机器学习... ** d2l.ai... * 机器学习概览... ** 什么是机器学习?... ** 机器学习的分类... *** 是否需人类监督... **** 无监督学习... **** 半监督学习... **** 强化学习... *** 是否动态增量地学习... **** 批量学习 -- 翻译为"全量学习"可能更...

机器学习实战-KNN

J的博客

12-12

563

1.KNN 概述 k-近邻（kNN, k-NearestNeighbor）算法是一种基本分类与回归方法，这里只讨论分类问题中的 k-近邻算法。一句话总结: 近朱者赤近墨者黑！ k 近邻算法的输入为实例的特征向量，对应于特征空间的点；输出为实例的类别，可以取多类。k 近邻算法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其 k 个最近邻的训练实例的类别，通过多数表决等方式进行预测。因此，k近邻算法不具有显式的学习过程。 k 近邻算法实际上利用训练数据集对特征向量空间进行划分，并作为其

DJH-ML:机器学习记录，Apachecn，sklearn，维基百科

05-01

ApacheCN机器学习实战 Scikit-learn-tutorial Scikit-learn v0.19 单词记录 penalize 罚项 decision boundary 决策边界 spam 垃圾邮件 Guidelines 准则，指导方针 demonstrate 证明演示显示 algorithm 算法 stuff ...

学习机器学习实战，主要参考apachecn的代码了解书中的思想。.zip

04-02

机器学习（Machine Learning, ML）是一种应用人工智能（AI）领域的科学技术，它使得计算机系统能够从数据中自动学习和改进，而无需显式编程。在机器学习的过程中，算法会通过识别和挖掘数据中的模式来构建一个模型，...

ApacheCN机器学习实战视频教程入门篇+进阶篇两套非常优秀的机器学习教学课程

08-23

ApacheCN机器学习实战视频教程入门篇+进阶篇两套非常优秀的机器学习教学课程

掌握机器学习实战技巧：从Apachecn代码到AI模型构建

资源摘要信息:"标题中提到的学习机器学习实战，强调了学习过程中的实践活动，即通过编码实践来理解机器学习的相关概念和算法。参考的资料是apachecn的代码和书籍内容，说明学习资源可能来自于开源社区和相关技术文档...

二叉树的前中后序遍历(迭代法)

最新发布

mrjieke6的博客

09-07

963

本文系统介绍了二叉树前序、中序和后序遍历的迭代实现方法。前序遍历采用栈结构，按;根→右→左 ;顺序入栈；中序遍历先全部左子树入栈再访问节点；后序遍历则通过修改前序遍历顺序为"根→右→左 ;后反转结果。三种遍历时间复杂度均为O(n)，空间复杂度最坏O(n)。与递归实现相比，迭代方法避免了栈溢出风险，处理大型树更稳定。每种遍历方式都配有详细代码解析、执行示例和复杂度分析，并讨论了实际应用场景，为掌握树结构操作提供了系统指导。

AMD KFD 技术分析 3-1: alloc memory in hsakmt

deeplyMind

09-04

181

本文分析了ROCm HSAKMT库中的核心API hsaKmtAllocMemory 的实现原理。该API为上层应用提供统一的内存分配接口，支持多种内存类型（VRAM、系统内存等）。文章详细解析了其参数校验、标志冲突检查、分配类型选择（系统内存、VRAM或Scratch内存）以及与aperture管理器的交互过程。同时介绍了典型使用场景（如VRAM分配、SVM一致性内存等）和内存管理机制（包括对象追踪、释放流程）。该API通过底层aperture管理和红黑树实现高效的内存分配与安全控制，支持多GPU共享和进

机器学习：后篇

2301_82065950的博客

09-04

1017

本文介绍了多种机器学习算法的原理与应用，主要包括KNN、朴素贝叶斯、决策树、随机森林、线性回归、逻辑回归和K-means聚类。KNN通过计算样本距离进行分类，但计算量大且易受维度灾难影响；朴素贝叶斯基于贝叶斯理论，通过独立性假设简化计算；决策树通过信息增益或基尼指数构建分类模型，但易过拟合；随机森林通过多决策树投票提升分类效果；线性回归采用最小二乘法或梯度下降优化参数；逻辑回归结合线性回归与Sigmoid函数实现分类；K-means通过簇内差异最小化进行无监督聚类。每种算法均配有scikit-learn的A

【牛客刷题-剑指Offer】BM18 二维数组中的查找：一题四解，从暴力到最优

字节卷动

09-06

178

方法时间复杂度空间复杂度优点缺点适用场景暴力遍历On×mOn×mO1O(1)O1简单直接，易实现效率低，不适合大数据量小规模数据二分查找Omlog⁡nOmlognO1O(1)O1利用行有序，效率较高未利用列有序特性行数较少时Z字形查找OnmO(n + m)OnmO1O(1)O1最优解，利用行列有序无各种规模数据递归分治平均优于OnmO(nm)OnmOlog⁡nmOlognm。

2025年数学建模国赛参考论文发布

qq_33690821的博客

09-05

1790

对于问题二，即通过BMI分组确定男胎最佳NIPT时点以最小化风险，我们使用K-means聚类算法和决策树算法对BMI进行分组（聚类数k依据碎石图确定），定义Y染色体浓度≥4%为“达标”，以90的孕妇能够达标的时间周作为最佳的NIPT点。最终我们得到了详细的BMI分组，并对风险进行了评估。本研究创新性地将AI姿态识别、运动生物力学和机器学习相结合，建立了从动作分析到成绩预测再到训练指导的完整技术链条，为智能体测和个性化运动训练提供了科学的理论基础和实用的技术方案，具有重要的应用价值和推广前景。

【动态规划：简单多状态dp问题】删除并获得点数 && 粉刷房子

lirendada的博客

09-07

971

文章摘要本文介绍了两个动态规划问题：删除并获得点数和粉刷房子。对于前者，通过将原数组映射到有序连续数组转化为类似打家劫舍的问题，利用状态转移方程求解最大点数。后者则通过定义三种颜色状态，使用二维数组记录每个房子涂不同颜色的最小花费，确保相邻房子颜色不同。两个问题均通过动态规划高效解决，展示了如何将复杂问题转化为经典模型进行处理。代码实现中，前者采用预处理和状态转移，后者利用虚拟位置保证初始化正确性，最终返回最小值作为结果。