独孤九剑第九式-AdaBoost模型和GBDT模型
上次我们介绍了K-means算法和DBSCAN聚类算法（密度聚类算法），目的就是为了通过计算和相关知识，将数据点分成一个一个簇，从而进行相关研究，这一部分无论在本科论文或者式研究生论文中做学科交叉都用的比较多，希望各位引起重视，内容属于简单易学，非常适合我们新手进行学习，接下来，我们讲继续讲解关于监
机器学习生命周期
机器学习的生命周期
机器学习中的数据预处理方法与步骤
机器学习预处理详细方法
python深度学习机器学习必备的学习网站集合！
python深度学习机器学习必备的学习网站集合！
一个新的基于样本数量计算的的高斯 softmax 函数
本文提出了一种基于最小误差界和高斯统计量的softmax函数的安全快速扩展，可以在某些情况下作为softmax的替代
使用Python从头开始手写回归树
在本篇文章中，我们将介绍回归树及其基本数学原理，并从头开始使用Python实现一个完整的回归树模型。
机器学习和人工智能之间的区别
人工智能和机器学习都是计算机科学的术语。本文讨论了一些要点，我们可以根据这些要点区分这两个术语。概述AI（人工智能）：人工智能一词由“人工”和“智能”两个词组成。人工是指由人类或非自然事物制造的东西，智能是指有理解或思考的能力。有一种误解认为人工智能是一个系统
基于神经网络集成学习的研究论文推荐
集成 的概念在机器学习中很常见。集成可以被认为是一种学习技术，可以将许多模型连接起来解决一个问题
一文读懂机器学习分类全流程
🏆在本文中，作者将带你了解机器学习分类的全流程，从问题分析>数据预处理>分类器选择>模型构建>精度评价>模型发布为Web应用。从0带读者入门机器学习分类。
一文搞懂如何使用饱和预测
本文采用Prophet模型对时间序列进行饱和预测，饱和预测通俗一点理解就是在对一系列参数进行预测时会达到一个顶点，我们需要研究的就是预测这个饱和点。
手把手带你玩转Spark机器学习-使用Spark构建回归模型
系列文章目录手把手带你玩转Spark机器学习-专栏介绍手把手带你玩转Spark机器学习-问题汇总[持续更新]手把手带你玩转Spark机器学习-Spark的安装及使用手把手带你玩转Spark机器学习-使用Spark进行数据处理和数据转换手把手带你玩转Spark机器学习-使用Spark构建分类模型文章目
机器学习3-特征工程个人笔记
特征缩放和特征降维操作，sklearn的preprocessing标准化、归一化、二值化、独热编码的使用，sklearn的decomposition中pca、ica降维和discriminant_analysis中lda降维操作。
机器学习SVD作业
作业作业1：利用SVD分解，完成china.jpg文件的压缩与显示。代码from skimage import ioimport matplotlib.pyplot as pltimport numpy as npdef getImgAsMatFromFile(filename): img =
机器学习实验之肿瘤预测（决策树）
肿瘤预测（决策树）【实验内容】 基于威斯康辛乳腺癌数据集，采用决策树的方法进行肿瘤预测。【实验要求】1.加载sklearn自带的威斯康星乳腺癌数据集，探索数据。2.进行数据集分割。3.配置决策树模型。4.训练决策树模型。5.模型预测。6.模型评估。7.参数调优。可以根据评估结果，对模型设置或调整为更
李宏毅老师《机器学习》课程笔记-4.2 Batch Normalization
介绍了Deep Neural Network 的加速优化的一个方法： Batch Normalization
基于用户的协同过滤算法（二）：用户相似度计算的改进
用户相似度计算的改进上一节介绍了计算用户兴趣相似度的最简单的公式（余弦相似度公式），但这个公式过于粗糙，本节将讨论如何改进该公式来提高UserCF的推荐性能。首先，以图书为例，如果两个用户都曾经买过《新华字典》，这丝毫不能说明他们兴趣相似，因为绝大多数中国人小时候都买过《新华字典》。但如果两个用户都
LCE：一个结合了随机森林和XGBoost优势的新的集成方法
LCE它结合了它们的优势并采用互补的多样化方法来获得更好的泛化预测器。 进一步增强了随机森林和 XGBoost 的预测性能。
强化学习系列（一）：基本原理和概念
目录一、什么是强化学习？二、强化学习的结构第一层第二层第三层三、价值函数1）Policy function：2）Value function：3）Q与V之间的转化3）Q值更新——贝尔曼公式四、强化学习的特点五、强化学习的优点一、什么是强化学习？这几年强化学习在学术界是非常的火热，想必大家或多或少都听
【人工智能-神经网络】Numpy 实现单层感知机对情感文本多分类
Numpy 实现单层感知机对情感文本多分类一、 实验题目在给定文本数据集完成文本情感分类训练，在测试集完成测试，计算准确率文本的特征可以使用TF或TF-IDF （可以使用sklearn库提取特征）设计合适的网络结构，选择合适的损失函数利用训练集完成网络训练，并在测试集上计算准确率。二、 实验内容1.
汉明距离、汉明损失详解及代码（python）
用具体的图示+代码，帮你理解汉明距离(Hamming distance)、汉明损失(Hamming loss)。
