机器学习入门-一元线性回归模型的骚操作
🐸文章适合于所有的相关人士进行学习🐸🐶各位看官看完了之后不要立刻转身呀🐶🐼期待三连关注小小博主加收藏🐼🐤小小博主回关快 会给你意想不到的惊喜呀🐤文章目录🚩前言🚩一元线性回归模型讲解☁️我们可能会遭遇的问题☁️线性回归模型🚩数学公式推导☁️公式推导☁️代码介绍及实现🌊jupyt
520不要老想着谈恋爱要变的更加爱强化学习
快速了解强化学习
基于LSTM的时空序列预测任务文章总结
时空序列预测任务，LSTM单元结构
李宏毅老师《机器学习》课程笔记-3卷积神经网络
介绍了深度学习在图像识别领域的应用—卷积神经网络。
机器学习系列(14)_PCA对图像数据集的降维_03
文章目录一、噪音过滤1、案例：手写数字图像识别一、噪音过滤降维的目的之一是希望抛弃对模型带来负面影响的特征，同时，带有效信息的特征的方差应该是远大于噪音的，所以相比噪音，有效的特征所带来的信息不会在PCA当中大量抛弃。inverse_transform能够在不恢复原始数据的情况下，将降维后的数据返回
数学建模学习（69）：朴素贝叶斯回归分类，轻松掌握
手把手教你使用贝叶斯回归分类模型
正则化——参数范数惩罚
L1和L2正则化
神经网络入门（详细 ）
机器学习流程、K近邻算法，以及详细介绍了神经网络的基本框架。
Python 3.11比3.10 快60%：使用冒泡排序和递归函数对比测试
Python 3.11中特意强调了优化，我们可以实际验证下到底有没有官方说的平均1.25倍的提升呢？
机器学习作业(第十八次课堂作业)
机器学习作业(第十八次课堂作业)
机器学习——k近邻（KNN算法）工作原理、代码实现详解
机器学习——k近邻（KNN算法）工作原理、欧式距离、代码实现详解
计算机视觉系列（二）——迁移学习
目录一、迁移学习与微调二、如何寻找预训练的模型？三、初始化模型四、将 ResNet 迁移到 CIFAR-10 上一、迁移学习与微调ImageNet 数据集大约有 120w 个样本，类别数为 1000；MNIST 数据集只有 6w 个样本，类别数为 10。然而，我们平常接触到的数据集的规模通常在这两者
概率还不会的快看过来《统计学习方法》——第四章、朴素贝叶斯法
作者简介：整个建筑最重要的是地基，地基不稳，地动山摇。而学技术更要扎稳基础，关注我，带你稳扎每一板块邻域的基础。博客主页：啊四战斗霸的博客专栏：《统计学习方法》第二版——个人笔记创作不易，走过路过别忘了三连击了哟！！！关注作者，不仅幸运爆棚，未来更可期！！！***有代码，就有注释！！！Triple
一个简单实例解析移动平均模型 Moving-Average Models
本文将使用简单的说明性示例来解释移动平均模型（Arima [p，q]中的MA [Q]）。
【注意力机制集锦2】BAM&SGE&DAN原文、结构、源码详解
视觉注意力机制领域BAM及DAN的原文、结构、源码解读
时间序列统计特征的详细解析
根据对已有时间序列比赛的统计研究，发现数据规模不大的比赛任务中，依然使用的是特征工程+梯度提升树模型。而且特征工程依然是重中之重。所以特意换了一些时间对特征工程进行了详细的总结。主要包括两大类，一类是常用的(大家都使用的)基本特征，还有一类是Top选手使用的高级特征。为了方便比赛选手学习，将其概念
TensorFlow简单使用（基础篇）
目录一、TensorFlow的数据类型二、如何创建一个张量三、常用函数1.强制转换、最大值、最小值2.平均值、求和3.标记为可训练4.四则运算5.平方、次方与开方6.矩阵相乘7.输入特征和标签配对8.求出张量的梯度9.枚举函数10.独热编码11.概率转换函数12.自更新函数13.最大值索引函数我们为
端到端的特征转换示例：使用三元组损失和 CNN 进行特征提取和转换
通过卷积和三元组损失学习数据的表示，并提出了一种端到端的特征转换方法，这种使用无监督卷积的方法简化并应用于各种数据。
10大机器视觉和AI模型库
AI社区慷慨地分享代码、模型架构，甚至在大型数据集上预训练好的模型。我们站在巨人的肩膀上，这就是为什么行业会如此广泛地采用人工智能的原因。当我们开始一个计算机视觉项目时，我们首先找到能部分解决我们问题的模型。假设想要构建一个安防应用，该应用主要是检测规定区域的行人。首先，检查是否存在公开可用的行人检
