[机器学习、Spark]Spark MLlib机器学习
机器学习是一门多领域的交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，专门研究计算机如何模拟或实现人类的学习行为，以获取新的知识或技能.重新组织已有的知识结构使之不断改善自身的性能。机器学习分为2类：（1）有监督学习通过已有的训练样本(即已知数据以及其对应的输出)训练得到一个
增加sklearn逻辑回归拟合能力的解决方案
本文主要介绍了增加sklearn逻辑回归拟合能力的解决方案，希望对新手有所帮助。文章目录1. 问题描述2. 解决方案 2.1 不建议的解决方案 2.2 推荐的解决方案
微信版大语言模型来了：跨时空对话李白、教你高情商说话，API在线试玩全都有...
鱼羊 梦晨 发自 凹非寺量子位 | 公众号 QbitAI大规模语言模型，微信版，来了！并且甫一登场，就没藏着掖着：论文、API接口、在线试玩网站……一条龙全都齐备。续写文本、阅读理解等常规任务就不说了，这个名叫WeLM的AI，竟然直接让我和李白跨时空聊起了杜甫：我：现在有一首关于你的歌，其中一句歌词
我们能从后验分布中学到什么?贝叶斯后验的频率解释
假设我们从未知分布 q 中观察到 N 个独立且同分布的 (iid) 样本 X = (x1, ... , xN)。统计学中的一个典型问题是“样本集 X 能告诉我们关于分布 q 的什么信息？”。
BP反向传播网络
本文介绍了如何通过反向传播误差修正模型参数，从梯度下降法等原理处学习如何进行反向传播，进而了解为什么模型参数的修正和激活函数相关。
sklearn 中的两个半监督标签传播算法 LabelPropagation和LabelSpreading
标签传播算法是一种半监督机器学习算法，它将标签分配给以前未标记的数据点。要在机器学习中使用这种算法，只有一小部分示例具有标签或分类。在算法的建模、拟合和预测过程中，这些标签被传播到未标记的数据点。
pytorch 实现逻辑回归
简单说明一下任务，想在一个正方形的区域内生成若干点，然后手工设计label，最后通过神经网络的训练，画出决策边界假设：正方形的边长是2，左下角的坐标为（0，0），右上角的坐标为（2，2）然后我们手工定义分界线 y = x ，在分界线的上方定义为蓝色，下方定义为红色。
数据科学家在使用Python时常犯的9个错误
最佳实践都是从错误中总结出来的，所以这里我们总结了一些遇到的最常见的错误，并提供了如何最好地解决这些错误的方法、想法和资源。
机器学习之支持向量机（SVM）的求解方法
支持向量机就是寻找一个超平面，将不同的样本分分隔开来，其中间隔分为硬间隔和软间隔，硬间隔就是不允许样本分错，而软间隔就是允许一定程度上样本存在偏差，后者更符合实际。支持向量机思路简单但是求解过程还是比较复杂，需要将原函数通过拉格朗日乘子法并附上KKT条件是的问题有强对偶性，再使用SMO等算法进行高效
在线薅 达摩院-人工智能训练师（高级）证书
人工智能训练师（高级）
时间序列平滑法中边缘数据的处理技术
金融市场的时间序列数据是出了名的杂乱，并且很难处理。这也是为什么人们都对金融数学领域如此有趣的部分原因!
DOM课后习题练习（附源码）
断更十来天了，普天同庆的日子，着实静不下心来学习，连上三个“星期一”，一下子就清醒了，上一篇给大家分享了DOM 的知识点学习文档，当然最重要的还是实操啦，一起来看看呀~代码不难，主要就是细节，有不明白的评论或者私信都可以，最后，祝屏幕前的你，生活愉快呀~
机器学习：基于朴素贝叶斯实现单词拼写修正器(附Python代码)
本文基于朴素贝叶斯原理实现一个有趣的应用——单词拼写修正器，并梳理一些贝叶斯公式中的细节加深理解，最后给出python代码
2022年10个用于时间序列分析的Python库推荐
去年我们整理了一些用于处理时间序列数据的Python库，现在已经是2022年了，我们看看又有什么新的推荐
Tensorflow2数据集过大，GPU内存不够
在我们平时使用tensorflow训练模型时，有时候可能因为数据集太大(比如VOC数据集等等)导致GPU内存不够导致终止，可以自制一个数据生成器来解决此问题。方法就是将数据集图片的路径保存到一个列表之中，然后使用while循环在训练时进行不断读取，，我在训练时出现了这样的问题，这是我的猜测。
使用PyG进行图神经网络的节点分类、链路预测和异常检测
在这篇文章中，我们将回顾节点分类、链接预测和异常检测的相关知识和用Pytorch Geometric代码实现这三个算法。
分类判别式模型——逻辑斯特回归曲线
本文介绍了分类的判别式模型，从以往机器学习的三大步骤引入；在寻找最优解中，比较了与线性回归梯度下降法的不同；在损失函数层面，比较了交叉熵和square error的差异；在分类模型上，比较是本专栏上文的分类生成模型。最后在多分类问题上进行了扩展，在无法解决的同或问题中引入了特征映射和神经网络的概念。
带掩码的自编码器（MAE）最新的相关论文推荐
7-9月的MAE相关的9篇论文推荐
哈工大2022机器学习实验二：逻辑回归
逻辑回归，又意译为对率回归，虽然它的名字中带“回归”，但它是一个分类模型。它的基本思想是直接估计条件概率P(Y|X)的表达式，即给定样本X=x，其属于类别Y的概率。
机器学习模型的集成方法总结：Bagging, Boosting, Stacking, Voting, Blending
集成学习是一种元方法，通过组合多个机器学习模型来产生一个优化的模型，从而提高模型的性能。集成学习可以很容易地减少过拟合，避免模型在训练时表现更好，而在测试时不能产生良好的结果。
