机器学习(一) 本文(3万字) | 机器学习概述 |

已于 2024-09-08 16:00:08 修改
阅读量1k 收藏 21
点赞数 18
分类专栏： 人工智能（机器学习-深度学习-目标检测） 文章标签： 机器学习 人工智能 深度学习 目标检测 vscode pytorch python
于 2023-12-24 23:16:41 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_44302770/article/details/135188699
版权

推荐阅读，点击查看

文章目录

1. 统计学习(机器学习）

1.1 特点

统计学习(statistical learning)是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科。统计学习也称为统计机器学习(statistical machine learning）

统计学习的主要特点是：(1)统计学习以计算机及网络为平台，是建立在计算机及网络上的：(2)统计学习以数据为研究对象，是数据驱动的学科：(3)统计学习的目的是对数据进行预测与分析：(4)统计学习以方法为中心，统计学习方法构建模型并应用模型进行预测与分析：(5)统计学习是概率论、统计学、信息论、计算理论、最优化理论及计算机科学等多个领域

了解本专栏 订阅专栏 解锁全文
机器学习(八) 本文(3万字) | 集成学习(ensemble learning) |
weixin_44302770的博客
01-01 972
弱分类器(weak learner)指那些分类准确率只稍微好于随机猜测的分类器(error rate < 0.5)，常见的弱学习器包括决策树、朴素贝叶斯分类器、支持向量机等**预测准确率较低：**弱学习器的预测结果可能比随机猜测稍好一些，但通常不能达到高准确率**可用于组合：**虽然单个弱学习器的预测能力有限，但可以通过组合多个弱学习器来提高整体预测准确率**训练速度较快：**弱学习器通常具有较简单的结构和较少的参数，因此训练速度较快强学习器（Strong Learner）是指在机器学习中，具有。
机器学习(四) 本文(2万字) | 梯度下降GD原理 | Python复现 |
weixin_44302770的博客
12-24 964
梯度的概念：梯度就是函数对它的各个自变量求偏导后，由偏导数组成的一个向量 作用：梯度下降法(Gradient Descent，GD)常用于求解无约束情况下凸函数(Convex Function)的极小值，是一种迭代类型的算法，因为凸函数只有一个极值点，故求解出来的极小值点就是函数的最小值点。对凸函数进行优化的方法，梯度下降采用无限逼近的方式逼近参数
第八章 集成学习
weixin_44302770的博客
10-06 850
弱分类器(weak learner)指那些分类准确率只稍微好于随机猜测的分类器(error rate < 0.5)，常见的弱学习器包括决策树、朴素贝叶斯分类器、支持向量机等**预测准确率较低：**弱学习器的预测结果可能比随机猜测稍好一些，但通常不能达到高准确率**可用于组合：**虽然单个弱学习器的预测能力有限，但可以通过组合多个弱学习器来提高整体预测准确率**训练速度较快：**弱学习器通常具有较简单的结构和较少的参数，因此训练速度较快强学习器（Strong Learner）是指在机器学习中，具有。
[机器学习]-3 万字话清从传统神经网络到深度学习
wendywm0496的博客
06-27 1234
神经网络（Neural Networks, NNs）是机器学习的一种重要方法，灵感来源于生物神经系统，由大量互联的节点（称为神经元或单元）组成，通过调整这些节点间的连接权重来学习和表示复杂的非线性关系。传统神经网络包括感知机、Sigmoid神经元，以及更复杂的多层感知器。深度学习是基于深层次的神经网络，通过多层非线性变换从数据中学习特征和模式，通常由输入层、隐藏层和输出层组成，每一层由若干神经元构成，层与层之间通过权重连接；主流的深度学习有卷积神经网络、循环神经网络、生成对抗网络、Transformer等。
机器学习入门基础（万字总结）（建议收藏！！！）
热门推荐
subsistent的博客
12-04 10万+
机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本文章涵盖了机器学习的基础知识，主要包括机器学习的概述、 回归、分类、聚类、神经网络、文本分析、图像分析、深度学习等经典的机器学习基础知识，还包括深度学习入门等拔高内容。介绍机器学习的基础概念和知识，包括机器学习简史、主要流派、与人工智能、数据挖掘的关系、应用领域、算法、一般流程等。伴随着计算机计算能力的不断提升以及大数据时代的迅发展人工智能也取得了前所未有的进步。
自动化机器学习流水线：基于Spring Boot与AI机器学习技术的融合探索
科技改变人类，技术成就未来
04-26 4万+
自动化机器学习流水线：基于Spring Boot与AI机器学习技术的融合探索
01-机器学习概述
d8958的博客
03-24 1783
机器学习概述
机器学习 第一讲 机器学习概述
yangyusir的博客
03-28 3万+
一、机器学习与应用 1.“人工智能之父”–艾伦.图灵 图灵测试（1950） 2.人工智能的知识图谱 二、AI,ML,DL的关系 1.机器学习是实现人工智能的一种方法,深度学习是机器学习一个分支 2.机器学习领域 自然语言处理 图像处理 传统预测 学习完之后可以干什么？ 图像处理 图像识别 图像处理 人脸识别 3.机器学习库和框架 4.什么是机器学习？ 机器学习是从数据中自动分析获得规律(模型),并利用规律对未知数据进行预测 5.为什么需要机器学习？ 5.1 解放生产力,智能客服 5.
黑马程序员---三天快速入门Python机器学习（第一天）
zdb
04-21 5万+
机器学习入门一、机器学习概述1.1 人工智能概述1.1.1 机器学习与人工智能、深度学习1.1.2 机器学习、深度学习能做什么1.1.3 人工智能阶段课程安排1.2 什么是机器学习1.2.1 定义1.2.2 解释1.2.3 数据集构成1.3 机器学习算法分类1.3.1 总结1.3.2 练习1.3.3 机器学习算法分类1.4 机器学习开发流程1.5 学习框架和资料介绍1.5.1 机器学习库与框架1.5.2 书籍资料1.5.3 提深内功二、特征工程2.1 数据集2.1.1 可用数据集2.1.2 sklearn数
机器学习在安全领域的应用：从大数据中识别潜在安全威胁
科技改变人类，技术成就未来
04-14 3万+
当谈到机器学习在安全领域的应用时，不可否认其在提升安全保障能力方面的重要性。机器学习技术的迅猛发展和不断完善，为威胁检测、视频监控和自然语言处理等安全领域带来了前所未有的机遇和挑战。本博客将深入探讨机器学习在安全领域的广泛应用，以及其对安全保障能力的提升。在过去的几年中，安全风险与威胁不断增加，传统的安全技术已经不能满足当今快速发展的威胁。因此，人们开始将机器学习技术引入安全领域，以帮助分析、监控和预防安全威胁。
机器学习(六) 本文(3.5万字) | 特征工程(Feature Engineering) | Python复现 |
weixin_44302770的博客
12-31 1132
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；如何基于给定数据来发挥更大的数据价值就是特征工程要做的事情会直接影响机器学习的效果。
机器学习(二) 本文(2.5万字) | KNN算法原理及Python复现 |
weixin_44302770的博客
12-24 1118
K近邻(K-nearst neighbors, KNN)是一种基本的机器学习算法，所谓k近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表；KNN算法既可以应用于分类应用中，也可以应用在回归应用中 KNN在做回归和分类的主要区别在于最后做预测的时候的决策方式不同。KNN在分类预测时，一般采用多数表决法；而在做回归预测时，一般采用平均值法 ———————————————— 版权声明：本文为优快云博主「小酒馆燃着灯」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上
循环神经网络 - 机器学习任务之同步的序列到序列模式
分享技术人生的学习笔记和过往心得，与志同道合者共同进步
04-03 339
本文我们来学习循环神经网络应用中的另一种模式：同步的序列到序列模式！这种模式适用于输入和输出长度相同且时序对应的任务，如金融数据预测、传感器数据监控、音频信号处理（例如去噪、增强）等。在这些场景中，同步的模型能够捕捉局部时序变化，减少不必要的信息压缩和解码步骤，从而提高预测或恢复精度。
用Python解锁未来交通：开发基于机器学习的流量预测系统
Echo_Wish
04-02 56
通过以上步骤，我们构建了一个简单却实用的交通流量预测系统。虽然这里只是初步探索，但这种基于机器学习的系统在未来智慧城市中将大有可为。对于我们开发者而言，每一个数据点都隐藏着无限可能。相信通过不断学习与实践，你也能创造属于自己的智能预测系统！
机器学习——集成学习框架(GBDT、XGBoost、LightGBM、CatBoost)、调参方法
qq_64296768的博客
03-27 1372
使得模型效果更好，那么我怎么更好的去寻找到满足前提条件中最好的值(即这个前提条件是最优的)，此时寻找的方法就可以使用高斯过程，找到这个最好的前提条件值，此时就只需要对另外一个参数2做考虑即可，迭代参数2的范围，找到模型性能最好的那组对应的超参数组合。幸运的是，目前这个好理解但实现复杂的方法已经被封装在。其高斯过程的核心是对已有的数据点预测区域进行函数建模，求其不确定性和概率分布，对其中概率较大的区间的进行迭代，使得模型的损失达到最低时对应的超参数组合选择，但是这种方式比较消耗计算资源。
【机器学习的定义】
最新发布
桃之夭夭的博客
04-03 275
机器学习（Machine Learning, ML）是人工智能的一个子领域，研究如何让计算机系统。的算法科学，涵盖数据、模型、优化、评估等关键环节，广泛应用于各行各业，推动AI技术的进步。，可以是结构化数据（表格）、非结构化数据（图像、文本）、时序数据等。：机器学习要解决的问题，如分类、回归、聚类、强化学习等。经验（E）**而提高，就称它从经验中学习。“一个计算机程序在**任务（T）
3D-DIC与机器学习协同模拟材料应力-应变本构行为研究
ROGER_MM的博客
04-03 456
在训练框架中，采用加载时具有非均匀变形的试样，通过新拓三维XTDIC三维全场应变测量系统，获得训练所需的位移、应变以及应力-应变曲线数据，可用于神经网络训练，通过在ECNN中加入平衡方程弱形式的约束，可以提取应力，训练后的ECNN服务于本构建模，可替代基于方程的传统超弹性材料本构模型。一般来说，材料的应力应变响应知识，对于其本构模型的发展是必不可少的。在已知应变场的情况下，用训练好的ECNN也可以提取同一材料不同的局部应力场，并显示FEM和ECNN预测之间的总体比较，同样，所有的数据点都接近理想的回归线。
Ground Truth（真实标注数据）：机器学习中的“真相”基准
Zlyzjiabjw547479的博客
03-27 899
本文介绍了机器学习与深度学习领域的一个常见概念：Ground Truth（GT，真实标注数据）。Ground Truth（简称GT）是指在训练和评估机器学习模型时使用的已知正确答案或标签。它是模型学习的基础，也是评估模型性能的标准。在图像分类任务中，Ground Truth是每张图片的正确类别标签（label）在目标检测中，Ground Truth是物体在图像中的精确位置和类别（mask、annfiles等）在自然语言处理中，Ground Truth可能是文本的情感标签或正确的翻译。
【Deepseek、ChatGPT】智能气候前沿：AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测中的应用
JNLWLAQ的博客
04-01 1362
【Deepseek、ChatGPT】智能气候前沿：AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测中的应用
吴恩达机器学习课程第七周作业解答分享
吴恩达教授是斯坦福大学的教授，他在机器学习领域具有广泛的影响力，尤其是他开设的在线课程“机器学习”和“深度学习专项课程”，吸引了全球数十万的学生和专业人士学习。这个习题集可能是这些在线课程中的第七个...
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

小酒馆燃着灯

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