yuexiahandao的专栏

基于概率论的分类方法：朴素贝叶斯 首先从一个最简单的概率分类器开始，然后给出一些假设来来学习朴素贝叶斯分类器。称为“朴素”是因为整个形式化过程只做最原始、最简单的假设。充分利用Python的文本处理能力将文档切分成词向量，然后利用词向量对文档进行分类。 理论基础 算法的优缺点： 优点：在数据缺少的情况下仍然有效，可以处理多类别问题。（在乎的是概率，不在乎个体的好坏） 缺点：对于输入数据的...

这里我们会提到sigmoid函数，而且这个函数（梯度上升法和梯度下降法）就像是神经网络的一个神经元（个人这么看而已），也像二极管的0.7V电压，这里面会提到梯度下降法，也会了解数据中缺失的处理。 Logistics回归会让我们接触最优化算法。其实我们生活中这样的问题很多，例如如何在最短时间内从A地到B地？如何在投入少的情况下，获得最大收益？这个我们以前的解决方案就是使用动态规划的算法，或者是使用...

机器学习基础 1. 机器学习分为监督学习和无监督学习。 2. 监督学习一般使用两种类型的目标变量：标称型和数值型 标称型：就是取值比较固定的类型。有点像枚举类型，有穷值。这种特性的数据比较适合用于分类。 数值型：在无限的数据集中取值。比较适合找规律和线性回归，另外范围限定后也会成为标称型。 3. 我们可以将数据集分为测试集、验证集和训练集。 训练集用于处理训练模型 验证集用于调试自己的...

K-近邻算法 描述 k-近邻算法采用测量不同特征值之间的距离方法进行分类。 算法特点： 优点：精度高、对异常值不敏感、无数据输入假定。 缺点：计算复杂度高、空间复杂度高。（耗时，耗计算资源，例如中间数据的存储，另外是测试对象，要和所有的样本对象进行比较，没有训练的过程，只有测试过程。）。最大的缺点就是无法给出数据的内在含义。 适用数据范围：数值型（可以通过范围进行散列）和标称型。（散列...

决策树 - ID3 决策树也是经常使用的数据挖掘算法。 这张图所示就是一个决策树。长方形代表判断模块，椭圆形代表终止模块。从判断模块引出的左右箭头称作分支。 决策树的一个重要任务是为了理解数据中所蕴含的知识信息，因此决策树可以使用不熟悉的数据集合，并从中提取出一系列，这些机器根据数据集创建规则的过程，就是机器学习的过程。 训练出来的数据可以使用Matplotlib来绘制决策树图。 决...

机器学习的主力语言python是不可或缺的，下面写一下python开发人工智能所需要依赖项的安装过程。以mac电脑为准；软件管理工具请安装Homebrew Python安装 brew install python PIP安装 这是python中常用的第三方库管理工具，python安装的时候默认不装，需要自己去安装。分为两个版本一个pip3和pip。 pip3的安装很简单，软件镜像源中一...