首页
博客
源码
资源
博客
源码
写文章
发布博客
发布资源
登录
X
机器学习
相关资讯
热门
最新
代码人生
01-01 08:00
代码人生
机器学习及其应用2015 PDF 清晰版
机器学习及其应用2015 PDF 清晰版,给大家带来的一篇关于机器学习相关的电子书资源,介绍了关于机器学习、应用方面的内容,本书是由清华大学出版社出版,格式为PDF,资源大小45.1MB,高新波、张军平编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:8.7分资源详情相关推荐出版社:清华大学出版社作者:高新波、张军平大小:45.1MB类别:机器学习热度:165机器学习系统设计python机器学
203
后端
01-01 08:00
后端
机器学习陷入困境!谷歌大脑专家发文吐槽AI工程现状
机器学习陷入困境!谷歌大脑专家发文吐槽AI工程现状,现代加速器编译在试图改进胶囊网络的实现,以扩大到更大的数据集时,研究团队有了这篇论文的初步想法。胶囊网络是一个令人兴奋的机器学习研究思想,其中标量值的“神经元”被小矩阵取代,使它们能够捕捉更复杂的关系。胶囊或许不是机器学习中的“下一个大事件”,但它算是创新性机器学习研究理念的一个代表性例子。虽然卷积胶囊模型需要的浮点运算(FLOPs)比卷积神经网
186
后端
01-01 08:00
后端
机器学习所需的工程量未来会大大减少
机器学习所需的工程量未来会大大减少,作者|DavidLiCause译者|平川编辑|陈思未来,构建ML产品将更加有趣,并且这些系统会工作得更好。随着ML自动化工具的不断改进,数据科学家和ML工程师将把更多的时间花在构建优秀的模型上,而花在与生产级ML系统相关的繁琐但必要的任务上的时间会更少。本文最初发布于KDnuggets,经原作者授权由InfoQ中文站翻译并分享。AI是一个系统工程问题。构建一个有
185
后端
01-01 08:00
后端
机器学习面临的挑战是工程问题,不是数据科学问题
机器学习面临的挑战是工程问题,不是数据科学问题,作者|CalebKaiser译者|Sambodhi策划|蔡芳芳本文讲述了从数据科学转向机器学习工程的途径及意义。本文最初发表在TowardsDataScience博客上,经原作者CalebKaiser授权,InfoQ中文站翻译并分享。在过去20年,机器学习一直围绕着这样一个问题展开:我们能不能训练一个模型去做一些事情?当然,有些事情可以是任何任务。比
181
后端
01-01 08:00
后端
机器学习算法之K近邻算法
机器学习算法之K近邻算法,机器学习算法之K近邻算法0x00概述K近邻算法是机器学习中非常重要的分类算法。可利用K近邻基于不同的特征提取方式来检测异常操作,比如使用K近邻检测Rootkit,使用K近邻检测webshell等。0x01原理距离接近的事物具有相同属性的可能性要大于距离相对较远的。这是K邻近的核心思想。K邻近K-NearestNeighbor,KNN算法,KNN指K个最近的邻居,可认为每个
176
后端
01-01 08:00
后端
机器学习,像极了一场足球比赛
机器学习,像极了一场足球比赛,作者|RenatoBoemer译者|Sambodhi策划|刘燕如果向没有技术背景的人解释清楚机器学习,可能有些难度。本文最初发表于TowardsDataScience博客,经原作者RenatoBoemer授权,InfoQ中文站翻译并分享。如果你是一名专业数据科学家,你会经常被问到一个问题—“你这个工作是干什么的?”如果向没有技术背景的人解释清楚这个问题,可能有些难度。
168
后端
01-01 08:00
后端
机器学习(27)【降维】之主成分分析(PCA)详解
机器学习(27)【降维】之主成分分析(PCA)详解,机器学习(27)【降维】之主成分分析(PCA)详解昱良机器学习算法与Python学习前言主成分分析(Principalcomponentsanalysis,以下简称PCA)是最重要的降维方法之一。在数据压缩消除冗余和数据噪音消除等领域都有广泛的应用。一般我们提到降维最容易想到的算法就是PCA,下面我们就对PCA的原理做一个总结。PCA基本思想PC
166
后端
01-01 08:00
后端
机器学习 - 线性回归与逻辑回归
机器学习 - 线性回归与逻辑回归,机器学习-线性回归与逻辑回归什么是线性回归?根据样本数据的分布特点,通过线性关系模拟数据分布趋势,从而进行预测。对于下图来说,样本点的连线大致接近于一条直线,所以就可以将函数模拟成线性方程。设f(x)=wx+b,所以只要求出w和b,就可以得到x与y的关系,从而能够根据x预测出对应的y。要求w和b,只能借助于现有的数据样本。因为存在误差,这条直线不可能穿过所有的样本
155
后端
01-01 08:00
后端
机器学习之KNN(k近邻)算法详解
机器学习之KNN(k近邻)算法详解,机器学习之KNN(k近邻)算法详解文章目录1-1机器学习算法分类一、基本分类:①监督学习(Supervisedlearning)②无监督学习③半监督学习④强化学习小结:2-1KNN基本流程一、概念:2-2K值的选择2-3kd树一、原理:二、构造方法:1-1机器学习算法分类一、基本分类:①监督学习(Supervisedlearning)数据集中的每个样本有相应的“
149
后端
01-01 08:00
后端
机器学习基础 | 互相关系数和互信息异同探讨
机器学习基础 | 互相关系数和互信息异同探讨,机器学习基础|互相关系数和互信息异同探讨主要阐述互相关系数和互信息的区别和联系,先说结论:对于高斯分布,两者是等价的,且存在转换公式,当XX与YY互相关系数为零时,两者相互独立,且互信息为零;当互相关系数为±1±1时,两者完全相关且互信息为无穷大,转换公式:I(X,Y)=−12log(1−r2)I(X,Y)=−12log(1−r2)一般情形,互相关系
147
«
1
2
3
4
5
6
»