StanFord ML 笔记 第十部分

最新推荐文章于 2025-08-20 14:01:41 发布
转载 最新推荐文章于 2025-08-20 14:01:41 发布 · 63 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：http://www.cnblogs.com/wjy-lulu/p/7818933.html
文章标签：

#人工智能

本文通过《机器学习实战》一书介绍并实践了两种重要的降维技术：主成分分析（PCA）和线性判别分析（LDA）。在实际编程中深入理解这两种方法的应用场景与实现细节。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

 

 

第十部分：

　　1.PCA降维

　　2.LDA

 

 

注释：一直看理论感觉坚持不了，现在进行《机器学习实战》的边写代码边看理论

转载于:https://www.cnblogs.com/wjy-lulu/p/7818933.html

Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena阅读笔记
AlphaFinance
06-09 857
MT-Bench 和 Chatbot Arena 是两个用于评估 LLM 聊天助手的新基准，分别侧重于多回合对话的质量和真实用户偏好。这两个基准的设计初衷是弥补现有基准在评估聊天助手人类偏好方面的不足，提供更准确和全面的评估方法。MMLU：重点评估模型在多任务、多领域的知识和理解能力。HELM：提供一个多维度的评估框架，全面评估模型的性能和实际应用中的各种表现。这两个基准各有侧重，MMLU 更关注模型的知识广度和准确性，而 HELM 则提供了一个全面的评估框架，涵盖了模型在实际应用中的多方面表现。
《Python自然语言处理-雅兰·萨纳卡(Jalaj Thanaki)》学习笔记：05 特征工程和NLP算法
weixin_43935926的博客
01-29 1983
05 特征工程和NLP算法5.1　理解特征工程5.1.1　特征工程的定义5.1.2　特征工程的目的5.1.3　一些挑战5.2　NLP中的基础特征5.2.1　句法解析和句法解析器5.2.2　词性标注和词性标注器理解词性标注和词性标注器的概念一步步开发词性标注器即插即用现有词性标注器使用词性标注作为特征挑战5.2.3　命名实体识别NER类Stanford NERSpacy NER提取和理解特征挑战5....
stanford CS229 课程讲义
03-08
Andrew Ng 主讲 CS229 关于马尔科夫决策过程的课程讲义
StanFord ML 笔记 第八部分
寂寞的小乞丐
11-04 98
第八部分内容： 　　 1.正则化Regularization 　　2.在线学习(Online Learning) 　　3.ML 经验 1.正则化Regularization 　　1.1通俗解释 　　　　引用知乎作者：刑无刀 　　　　解释之前，先说明这样做的目的：如果一个模型我们只打算对现有数据用一次就不再用了，那么正则化没必要了，因为我们没打算在将来他还有用，正则化的目的是为了让模型的...
StanFord ML 笔记 第三部分
寂寞的小乞丐
11-01 91
第三部分： 　　1.指数分布族 　　2.高斯分布--->>>最小二乘法 　　3.泊松分布--->>>线性回归 　　4.Softmax回归 指数分布族： 　　　　结合Ng的课程，在看这篇博文：http://blog.csdn.net/acdreamers/article/details/44663091 泊松分布： 　　　　这里是一个扩展，看不看都可以：ht...
StanFord ML 笔记 第四部分
寂寞的小乞丐
11-01 110
第四部分： 　　　　1.生成学习法 generate learning algorithm 　　　　2.高斯判别分析Gaussian Discriminant Analysis 　　　　3.朴素贝叶斯Navie Bayes 　　　　4.拉普拉斯平滑Navie Bayes 一、生成学习法generate learning algorithm： 　　　　二类分类问题，不管是感知器算法还是逻...
【机器学习】Stanford Machine Learning 学习笔记（一）
Johnson的博客
04-09 749
之前刷过一次斯坦福大学吴恩达教授的Coursera公开课，但那次刷的时候我还太年轻，所以也没做笔记，而且到现在为止，也都快忘的差不多了。过不了多久就要开始保研复试了，这里想再花一个月的时间重新过一遍，也在CSDN上做好记录。 因为是这个系列的第一篇文章，所以现在这里大致介绍一下这个课程吧！相信在中国只要接触过ML的同学们，肯定知道吴恩达和周志华这两个名字，毕竟鼻祖级的人物。但对于初学者来说，我...
Coursera ML笔记 - 神经网络（Representation）
weixin_30685047的博客
08-06 305
前言　机器学习栏目记录我在学习Machine Learning过程的一些心得笔记，涵盖线性回归、逻辑回归、Softmax回归、神经网络和SVM等等，主要学习资料来自Standford Andrew Ng老师在Coursera的教程，同时也参考了大量网上的相关资料（在后面列出）。 　本文主要记录我在学习神经网络过程中的心得笔记，共分为三个部分： 　Neural network - Repr...
读图数据库实战笔记10图分析
lyingSeven的博客
12-22 1581
图分析
笔记汇总 | 斯坦福 CS229 机器学习
ReturnTmp的博客
08-03 1955
本文为斯坦福大学 2014 秋季 CS229 机器学习课程学习笔记本文主体部分转载自黄海广博士，文末已给出，大家有兴趣可以直接访问笔记首页，下载对应课程资料及作业代码。
Stanford Machine Learning 公开课笔记(1) Linear Regression
沐埜专栏
11-20 275
个人觉得这篇笔记写的比较适合我，就转载过来了： 转载链接：http://blog.csdn.net/feliciafay/article/details/22985917 课程引入 1 Regression和Classification的区别    Regression: to predict the continuous valued output.  
[机器学习] Coursera ML笔记 - 神经网络（Representation）
热门推荐
WangBo的机器学习乐园
01-08 1万+
本文主要记录我在学习神经网络过程中的心得笔记，参考UFLDL Tutorial和Coursera ML，共分为三个部分：Representation：神经网络的模型描述；Learning：神经网络的模型训练；Code：神经网络的代码实现。
斯坦福机器学习公开课中文笔记全集1-12期
其中，“斯坦福ML公开课笔记1-2.pdf”可能意味着该文件涵盖了课程的第一和第二个章节。 在机器学习领域，以下是一些核心知识点和概念，这些内容很可能在这些公开课笔记中被详细讲解： 1. 监督学习（Supervised ...
2018保研夏令营调研笔记
qq_32769481的博客
11-21 2357
Table of Contents 学校比较 上海交通大学 软院 复旦 北大 软微 中科院 计算所 南京大学 计算机系 浙江大学 软院 计算机 准备材料 来源：官网，知乎，保研论坛，王道论坛，公众号，简书，谷歌。 要看的东西：学校比较，专业比较，导师比较，学硕学费，夏令营事项，录取难度，注意事项，偏好程度，准备事宜。 简历，选方向 学校比较 上海交通大学，南京...
深度学习笔记(待续)
jiandanjinxin的专栏
06-21 1082
背景知识好的特征应具有不变性（大小、尺度和旋转等）和可区分性）：例如Sift的出现，是局部图像特征描述子研究领域一项里程碑式的工作。由于SIFT对尺度、旋转以及一定视角和光照变化等图像变化都具有不变性，并且SIFT具有很强的可区分性，的确让很多问题的解决变为可能。 Deep Learning的一个别名UnsupervisedFeature Learning，就可以顾名思义了，Unsupervise
Bot 流量“假阳性”调优笔记
@云安全小杜
08-19 1307
这次实验最大的收获是：与其在规则里“猜”爬虫长什么样，不如把判断逻辑外置到一个能持续学习的边缘节点。群联的清洗中心提供了实时封禁 API，让我们可以把模型结果直接落地，而不用改一行业务代码——这比传统“先打日志、再人工加黑名单”的节奏快了整整一个量级。
门控循环单元（GRU, Gated Recurrent Unit）
最新发布
2501_91641025的博客
08-20 960
门控循环单元（GRU, Gated Recurrent Unit）是循环神经网络（RNN）的一种改进结构，由 Cho 等人在 2014 年提出。它和 LSTM 一样，旨在解决RNN 的梯度消失和梯度爆炸问题，同时能够建模长距离依赖信息。与 LSTM 相比，GRU 结构更简洁，参数更少，计算效率更高。GRU 是 LSTM 的简化版，在很多任务上能取得相似甚至更好的效果。优点：计算效率高、参数量少、适合大规模训练。缺点：缺少独立记忆单元，在极长序列任务中可能稍逊于 LSTM。在实际应用中，
Huggingface-Qwen2源码解读
Jeremy程序员
08-19 1784
本文记录了基于HuggingFace Transformers最新master分支对Qwen2模型的学习过程。主要内容包括：1) 开发环境搭建（Python 3.11、PyTorch CPU版）；2) 模型测试代码实现，通过调参创建轻量级配置；3) 核心架构分析，包括分词编码、DecoderLayer处理流程（RMSNorm归一化、自注意力机制、前馈网络）和分组查询注意力机制；4) Qwen2的三大优化点：RMSNorm计算优化、RoPE位置编码和GQA注意力机制；5) 开发中遇到的版本依赖问题及解决方法。
Christopher Manning教授的完整版Stanford NLP笔记
"Stanford NLP note"表明这些文件是斯坦福大学关于自然语言处理的课程笔记。这些笔记可能是由学生或研究人员整理的，记录了Christopher Manning教授课程的要点和讲解内容。通过学习这些笔记，可以更深入地理解自然...
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
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