欧美性猛交xxxx免费看_牛牛在线视频国产免费_天堂草原电视剧在线观看免费_国产粉嫩高清在线观看_国产欧美日本亚洲精品一5区

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

回顧一下機(jī)器學(xué)習(xí)分類算法

新機(jī)器視覺 ? 來源:builtin ? 作者:builtin ? 2021-05-11 09:36 ? 次閱讀

說起分類算法,相信學(xué)過機(jī)器學(xué)習(xí)的同學(xué)都能侃上一二。

可是,你能夠如數(shù)家珍地說出所有常用的分類算法,以及他們的特征、優(yōu)缺點(diǎn)嗎?比如說,你可以快速地回答下面的問題么:

KNN算法的優(yōu)缺點(diǎn)是什么?

Naive Bayes算法的基本假設(shè)是什么?

entropy loss是如何定義的?

最后,分類算法調(diào)參常用的圖像又有哪些?

答不上來?別怕!一起來通過這篇文章回顧一下機(jī)器學(xué)習(xí)分類算法吧(本文適合已有機(jī)器學(xué)習(xí)分類算法基礎(chǔ)的同學(xué))。

機(jī)器學(xué)習(xí)是一種能從數(shù)據(jù)中學(xué)習(xí)的計算機(jī)編程科學(xué)以及藝術(shù),就像下面這句話說得一樣。

機(jī)器學(xué)習(xí)是使計算機(jī)無需顯式編程就能學(xué)習(xí)的研究領(lǐng)域。 ——阿瑟·塞繆爾,1959年

不過還有一個更好的定義:

“如果一個程序在使用既有的經(jīng)驗(E)執(zhí)行某類任務(wù)(T)的過程中被認(rèn)為是“具備學(xué)習(xí)能力的”,那么它一定需要展現(xiàn)出:利用現(xiàn)有的經(jīng)驗(E),不斷改善其完成既定任務(wù)(T)的性能(P)的特性?!?——Tom Mitchell, 1997

例如,你的垃圾郵件過濾器是一個機(jī)器學(xué)習(xí)程序,通過學(xué)習(xí)用戶標(biāo)記好的垃圾郵件和常規(guī)非垃圾郵件示例,它可以學(xué)會標(biāo)記垃圾郵件。系統(tǒng)用于學(xué)習(xí)的示例稱為訓(xùn)練集。在此案例中,任務(wù)(T)是標(biāo)記新郵件是否為垃圾郵件,經(jīng)驗(E)是訓(xùn)練數(shù)據(jù),性能度量(P) 需要定義。例如,你可以定義正確分類的電子郵件的比例為P。這種特殊的性能度量稱為準(zhǔn)確度,這是一種有監(jiān)督的學(xué)習(xí)方法,常被用于分類任務(wù)。

機(jī)器學(xué)習(xí)入門指南:

https://builtin.com/data-science/introduction-to-machine-learning

監(jiān)督學(xué)習(xí)

在監(jiān)督學(xué)習(xí)中,算法從有標(biāo)記數(shù)據(jù)中學(xué)習(xí)。在理解數(shù)據(jù)之后,該算法通過將模式與未標(biāo)記的新數(shù)據(jù)關(guān)聯(lián)來確定應(yīng)該給新數(shù)據(jù)賦哪種標(biāo)簽。

監(jiān)督學(xué)習(xí)可以分為兩類:分類和回歸。

分類問題預(yù)測數(shù)據(jù)所屬的類別;

分類的例子包括垃圾郵件檢測、客戶流失預(yù)測、情感分析、犬種檢測等。

回歸問題根據(jù)先前觀察到的數(shù)據(jù)預(yù)測數(shù)值;

回歸的例子包括房價預(yù)測、股價預(yù)測、身高-體重預(yù)測等。

機(jī)器學(xué)習(xí)新手的十大算法之旅:

https://builtin.com/data-science/tour-top-10-algorithms-machine-learning-newbies

分類問題

分類是一種基于一個或多個自變量確定因變量所屬類別的技術(shù)。

3a483a82-b1d6-11eb-bf61-12bb97331649.jpg

分類用于預(yù)測離散響應(yīng)

邏輯回歸

邏輯回歸類似于線性回歸,適用于因變量不是一個數(shù)值字的情況 (例如,一個“是/否”的響應(yīng))。它雖然被稱為回歸,但卻是基于根據(jù)回歸的分類,將因變量分為兩類。

3a8121c6-b1d6-11eb-bf61-12bb97331649.jpg

如上所述,邏輯回歸用于預(yù)測二分類的輸出。例如,如果信用卡公司構(gòu)建一個模型來決定是否通過向客戶的發(fā)行信用卡申請,它將預(yù)測客戶的信用卡是否會“違約”。 3a8dcb06-b1d6-11eb-bf61-12bb97331649.png 首先對變量之間的關(guān)系進(jìn)行線性回歸以構(gòu)建模型,分類的閾值假設(shè)為0.5。 3a983a32-b1d6-11eb-bf61-12bb97331649.png

然后將Logistic函數(shù)應(yīng)用于回歸分析,得到兩類的概率。

該函數(shù)給出了事件發(fā)生和不發(fā)生概率的對數(shù)。最后,根據(jù)這兩類中較高的概率對變量進(jìn)行分類。

3aa275ba-b1d6-11eb-bf61-12bb97331649.jpg

K-近鄰算法(K-NN)

K-NN算法是一種最簡單的分類算法,通過識別被分成若干類的數(shù)據(jù)點(diǎn),以預(yù)測新樣本點(diǎn)的分類。K-NN是一種非參數(shù)的算法,是“懶惰學(xué)習(xí)”的著名代表,它根據(jù)相似性(如,距離函數(shù))對新數(shù)據(jù)進(jìn)行分類。

3aab9a28-b1d6-11eb-bf61-12bb97331649.jpg

3ab74094-b1d6-11eb-bf61-12bb97331649.jpg

3ac5095e-b1d6-11eb-bf61-12bb97331649.jpg

3ad3860a-b1d6-11eb-bf61-12bb97331649.jpg

K-NN能很好地處理少量輸入變量(p)的情況,但當(dāng)輸入量非常大時就會出現(xiàn)問題。

支持向量機(jī)(SVM)

支持向量機(jī)既可用于回歸也可用于分類。它基于定義決策邊界的決策平面。決策平面(超平面)可將一組屬于不同類的對象分離開。

3ae077a2-b1d6-11eb-bf61-12bb97331649.jpg

在支持向量的幫助下,SVM通過尋找超平面進(jìn)行分類,并使兩個類之間的邊界距離最大化。

3af3ade0-b1d6-11eb-bf61-12bb97331649.jpg

SVM中超平面的學(xué)習(xí)是通過將問題轉(zhuǎn)化為使用一些某種線性代數(shù)轉(zhuǎn)換問題來完成的。(上圖的例子是一個線性核,它在每個變量之間具有線性可分性)。

對于高維數(shù)據(jù),使用可使用其他核函數(shù),但高維數(shù)據(jù)不容易進(jìn)行分類。具體方法將在下一節(jié)中闡述。

核支持向量機(jī)

核支持向量機(jī)將核函數(shù)引入到SVM算法中,并將其轉(zhuǎn)換為所需的形式,將數(shù)據(jù)映射到可分的高維空間。

核函數(shù)的類型包括:

3affeb82-b1d6-11eb-bf61-12bb97331649.jpg

前文討論的就是線性SVM。

多項式核中需要指定多項式的次數(shù)。它允許在輸入空間中使用曲線進(jìn)行分割。

徑向基核(radial basis function, RBF)可用于非線性可分變量。使用平方歐幾里德距離,參數(shù)的典型值會導(dǎo)致過度擬合。sklearn中默認(rèn)使用RBF。

類似于與邏輯回歸類似,sigmoid核用于二分類問題。

3b0a4564-b1d6-11eb-bf61-12bb97331649.jpg

徑向基核(RBF:Radial Basis Function )

RBF核支持向量機(jī)的決策區(qū)域?qū)嶋H上也是一個線性決策區(qū)域。RBF核支持向量機(jī)的實際作用是構(gòu)造特征的非線性組合,將樣本映射到高維特征空間,再利用線性決策邊界分離類。

3b174cf0-b1d6-11eb-bf61-12bb97331649.jpg

因此,可以得出經(jīng)驗是:對線性問題使用線性支持向量機(jī),對非線性問題使用非線性核函數(shù),如RBF核函數(shù)。

樸素貝葉斯

樸素貝葉斯分類器建立在貝葉斯定理的基礎(chǔ)上,基于特征之間互相獨(dú)立的假設(shè)(假定類中存在一個與任何其他特征無關(guān)的特征)。即使這些特征相互依賴,或者依賴于其他特征的存在,樸素貝葉斯算法都認(rèn)為這些特征都是獨(dú)立的。這樣的假設(shè)過于理想,樸素貝葉斯因此而得名。

3b25b13c-b1d6-11eb-bf61-12bb97331649.jpg

在樸素貝葉斯的基礎(chǔ)上,高斯樸素貝葉斯根據(jù)二項(正態(tài))分布對數(shù)據(jù)進(jìn)行分類。

3b3500b0-b1d6-11eb-bf61-12bb97331649.jpg

P(class|data)表示給定特征(屬性)后數(shù)據(jù)屬于某類(目標(biāo))的后驗概率。給定數(shù)據(jù),其屬于各類的概率大小就是我們要計算的值。 P(class)表示某類的先驗概率。 P(data|class)表示似然,是指定類別時特征出現(xiàn)的概率。 P(data)表示特征或邊際似然的先驗概率。

3b5cc5b4-b1d6-11eb-bf61-12bb97331649.png

步驟

1、計算先驗概率P(class)= 類中數(shù)據(jù)點(diǎn)的數(shù)量/觀測值的總數(shù)量 P(yellow)= 10/17 P(green)= 7/17

2、計算邊際似然P(data)= 與觀測值相似的數(shù)據(jù)點(diǎn)的數(shù)量/觀測值的總數(shù)量 P(?)= 4/17 該值用于檢查各個概率。

3、計算似然P(data/class)= 類中與觀測值相似的數(shù)量/類中點(diǎn)的總數(shù)量 P(?/yellow)= 1/7 P(?/green)= 3/10

4、計算各類的后驗概率

3b67ab32-b1d6-11eb-bf61-12bb97331649.png

5、分類

3b726180-b1d6-11eb-bf61-12bb97331649.png

某一點(diǎn)歸于后驗概率高的類別,因為從上可知其屬于綠色類的概率是75%根據(jù)其75%的概率這個點(diǎn)屬于綠色類。

多項式、伯努利樸素貝葉斯是計算概率的其他模型。樸素貝葉斯模型易于構(gòu)建,不需要復(fù)雜的參數(shù)迭代估計,這使得它對非常大的數(shù)據(jù)集特別有用。

決策樹分類

決策樹以樹狀結(jié)構(gòu)構(gòu)建分類或回歸模型。它通過將數(shù)據(jù)集不斷拆分為更小的子集來使決策樹不斷生長。最終長成具有決策節(jié)點(diǎn)(包括根節(jié)點(diǎn)和內(nèi)部節(jié)點(diǎn))和葉節(jié)點(diǎn)的樹。最初決策樹算法它采用采用Iterative Dichotomiser 3(ID3)算法來確定分裂節(jié)點(diǎn)的順序。

3b7b0970-b1d6-11eb-bf61-12bb97331649.jpg

信息熵和信息增益用于被用來構(gòu)建決策樹。

信息熵

信息熵是衡量元素?zé)o序狀態(tài)程度的一個指標(biāo),即衡量信息的不純度。

3b84246a-b1d6-11eb-bf61-12bb97331649.png

信息熵是衡量元素的無序狀態(tài)的程度的一個指標(biāo),或者說,衡量信息的不純度。

3b84246a-b1d6-11eb-bf61-12bb97331649.png

直觀上說地理解,信息熵表示一個事件的確定性程度。信息熵度量樣本的同一性,如果樣本全部屬于同一類,則信息熵為0;如果樣本等分成不同的類別,則信息熵為1。

信息增益

信息增益測量獨(dú)立屬性間信息熵的變化。它試圖估計每個屬性本身包含的信息,構(gòu)造決策樹就是要找到具有最高信息增益的屬性(即純度最高的分支)。

3b94d648-b1d6-11eb-bf61-12bb97331649.png

信息增益測量獨(dú)立屬性間的信息熵的變化。它試圖估計每個屬性本身包含的信息,構(gòu)造決策樹就是要找到具有最高信息增益的屬性(即純度最高的分支)。

3b94d648-b1d6-11eb-bf61-12bb97331649.png

其中Gain((T,X))是特征X的信息增益。Entropy(T)是整個集合的信息熵,第二項Entropy(T,X)是特征X的信息熵。

采用信息熵進(jìn)行節(jié)點(diǎn)選擇時,通過對該節(jié)點(diǎn)各個屬性信息增益進(jìn)行排序,選擇具有最高信息增益的屬性作為劃分節(jié)點(diǎn),過濾掉其他屬性。

決策樹模型存在的一個問題是容易過擬合。因為在其決策樹構(gòu)建過程中試圖通過生成長一棵完整的樹來擬合訓(xùn)練集,因此卻降低了測試集的準(zhǔn)確性。

3bab0fda-b1d6-11eb-bf61-12bb97331649.jpg

通過剪枝技術(shù)可以減少小決策樹的過擬合問題。

分類的集成算法

集成算法是一個模型組。從技術(shù)上說,集成算法是單獨(dú)訓(xùn)練幾個有監(jiān)督模型,并將訓(xùn)練好的模型以不同的方式進(jìn)行融合,從而達(dá)到最終的得預(yù)測結(jié)果。集成后的模型比其中任何一個單獨(dú)的模型都有更高的預(yù)測能力。

3bc34c30-b1d6-11eb-bf61-12bb97331649.jpg

隨機(jī)森林分類器

隨機(jī)森林分類器是一種基于裝袋(bagging)的集成算法,即自舉助聚合法(bootstrap aggregation)。集成算法結(jié)合了多個相同或不同類型的算法來對對象進(jìn)行分類(例如,SVM的集成,基于樸素貝葉斯的集成或基于決策樹的集成)。

3bd1452e-b1d6-11eb-bf61-12bb97331649.jpg

集成的基本思想是算法的組合提升了最終的結(jié)果。

3bdfe778-b1d6-11eb-bf61-12bb97331649.jpg

深度太大的決策樹容易受過擬合的影響。但是隨機(jī)森林通過在隨機(jī)子集上構(gòu)建決策樹防止過擬合,主要原因是它會對所有樹的結(jié)果進(jìn)行投票的結(jié)果是所有樹的分類結(jié)果的投票,從而消除了單棵樹的偏差。

隨機(jī)森林在決策樹生增長的同時為模型增加了額外的隨機(jī)性。它在分割節(jié)點(diǎn)時,不是搜索全部樣本最重要的特征,而是在隨機(jī)特征子集中搜索最佳特征。這種方式使得決策樹具有多樣性,從而能夠得到更好的模型。

梯度提升分類器

梯度提升分類器是一種提升集成算法。提升(boosting)算法是為了減少偏差而對弱分類器的而進(jìn)行的一種集成方法。與裝袋(bagging)方法構(gòu)建預(yù)測結(jié)果池不同,提升算法是一種分類器的串行方法,它把每個輸出作為下一個分類器的輸入。通常,在裝袋算法中,每棵樹在原始數(shù)據(jù)集的子集上并行訓(xùn)練,并用所有樹預(yù)測結(jié)果的均值作為模型最終的預(yù)測結(jié)果;梯度提升模型,采用串行方式而非并行模式獲得預(yù)測結(jié)果。每棵決策樹預(yù)測前一棵決策樹的誤差,因而使誤差獲得提升。

3bef776a-b1d6-11eb-bf61-12bb97331649.jpg

梯度提升樹的工作流程

使用淺層決策樹初始化預(yù)測結(jié)果。

計算殘差值(實際預(yù)測值)。

構(gòu)建另一棵淺層決策樹,將上一棵樹的殘差作為輸入進(jìn)行預(yù)測。

用新預(yù)測值和學(xué)習(xí)率的乘積作為最新預(yù)測結(jié)果,更新原有預(yù)測結(jié)果。

重復(fù)步驟2-4,進(jìn)行一定次數(shù)的迭代(迭代的次數(shù)即為構(gòu)建的決策樹的個數(shù))。

3bf9e02e-b1d6-11eb-bf61-12bb97331649.png

如果想了解更多關(guān)于梯度提升分類器的知識,可參考:

https://medium.com/mlreview/gradient-boosting-from-scratch-1e317ae4587d%20/t%20_blank

分類器的性能

混淆矩陣

混淆矩陣是一張表,這張表通過對比已知分類結(jié)果的測試數(shù)據(jù)的預(yù)測值和真實值表來描述衡量分類器的性能。在二分類的情況下,混淆矩陣是展示預(yù)測值和真實值四種不同結(jié)果組合的表。

3c3ed558-b1d6-11eb-bf61-12bb97331649.jpg

多分類問題的混淆矩陣可以幫助你確認(rèn)錯誤模式。

對于二元分類器:

3c4bfa94-b1d6-11eb-bf61-12bb97331649.png

假正例&假負(fù)例

假正例和假負(fù)例用來衡量模型預(yù)測的分類效果。假正例是指模型錯誤地將負(fù)例預(yù)測為正例。假負(fù)例是指模型錯誤地將正例預(yù)測為負(fù)例。主對角線的值越大(主對角線為真正例和真負(fù)例),模型就越好;副對角線給出模型的最差預(yù)測結(jié)果。

假正例

下面給出一個假正例的例子。比如:模型將一封郵件分類為垃圾郵件(正例),但這封郵件實際并不是垃圾郵件。這就像一個警示,錯誤如果能被修正就更好,但是與假負(fù)例相比,它并不是一個嚴(yán)重的問題。

作者注:個人觀點(diǎn),這個例子舉的不太好,對垃圾郵件來說,相比于錯誤地將垃圾郵件分類為正常郵件(假負(fù)例),將正常郵件錯誤地分類為垃圾郵件(假正例)是更嚴(yán)重的問題。

假正例(I型錯誤)——原假設(shè)正確而拒絕原假設(shè)。

3c842450-b1d6-11eb-bf61-12bb97331649.jpg

假負(fù)例

假負(fù)例的一個例子。例如,該模型預(yù)測一封郵件不是垃圾郵件(負(fù)例),但實際上這封郵件是垃圾郵件。這就像一個危險的信號,錯誤應(yīng)該被及早糾正,因為它比假正例更嚴(yán)重。

假負(fù)例(II型錯誤)——原假設(shè)錯誤而接受原假設(shè)

上圖能夠很容易地說明上述指標(biāo)。左圖男士的測試結(jié)果是假正例因為男性不能懷孕;右圖女士是假負(fù)例因為很明顯她懷孕了。

從混淆矩陣,我們能計算出準(zhǔn)確率、精度、召回率和F-1值。

準(zhǔn)確率

準(zhǔn)確率是模型預(yù)測正確的部分。

3cde770c-b1d6-11eb-bf61-12bb97331649.jpg

準(zhǔn)確率的公式為:

3ced1cee-b1d6-11eb-bf61-12bb97331649.png

當(dāng)數(shù)據(jù)集不平衡,也就是正樣本和負(fù)樣本的數(shù)量存在顯著差異時,單獨(dú)依靠準(zhǔn)確率不能評價模型的性能。精度和召回率是衡量不平衡數(shù)據(jù)集的更好的指標(biāo)。

精度

精度是指在所有預(yù)測為正例的分類中,預(yù)測正確的程度為正例的效果。

3cf95504-b1d6-11eb-bf61-12bb97331649.jpg

精度越高越好。

召回率

召回率是指在所有預(yù)測為正例(被正確預(yù)測為真的和沒被正確預(yù)測但為真的)的分類樣本中,召回率是指預(yù)測正確的程度。它,也被稱為敏感度或真正率(TPR)。

3d03e1c2-b1d6-11eb-bf61-12bb97331649.jpg

召回率越高越好。

F-1值

通常實用的做法是將精度和召回率合成一個指標(biāo)F-1值更好用,特別是當(dāng)你需要一種簡單的方法來衡量兩個分類器性能時。F-1值是精度和召回率的調(diào)和平均值。

3d0d3060-b1d6-11eb-bf61-12bb97331649.jpg

普通的通常均值將所有的值平等對待,而調(diào)和平均值給予較低的值更高的權(quán)重,從而能夠更多地懲罰極端值。所以,如果精度和召回率都很高,則分類器將得到很高的F-1值。

接受者操作曲線(ROC)和曲線下的面積(AUC)

ROC曲線是衡量分類器性能的一個很重要指標(biāo),它代表模型準(zhǔn)確預(yù)測的程度。ROC曲線通過繪制真正率和假正率的關(guān)系來衡量分類器的敏感度。如果分類器性能優(yōu)越,則真正率將增加,曲線下的面積會接近于1.如果分類器類似于隨機(jī)猜測,真正率將隨假正率線性增加。AUC值越大,模型效果越好。

3d197aa0-b1d6-11eb-bf61-12bb97331649.jpg

累積精度曲線

CAP代表一個模型沿y軸為真正率的累積百分比與沿x軸的該分類樣本累積百分比。CAP不同于接受者操作曲線(ROC,繪制的是真正率與假正率的關(guān)系)。與ROC曲線相比,CAP曲線很少使用。

3d249da4-b1d6-11eb-bf61-12bb97331649.png

以考慮一個預(yù)測客戶是否會購買產(chǎn)品的模型為例,如果隨機(jī)選擇客戶,他有50%的概率會購買產(chǎn)品。客戶購買產(chǎn)品的累積數(shù)量會線性地增長到對應(yīng)客戶總量的最大值,這個曲線稱為CAP隨機(jī)曲線,為上圖中的藍(lán)色線。而一個完美的預(yù)測,準(zhǔn)確地確定預(yù)測了哪些客戶會購買產(chǎn)品,這樣,在所有樣本中只需選擇最少的客戶就能達(dá)到最大購買量。這在CAP曲線上產(chǎn)生了一條開始陡峭一旦達(dá)到最大值就會維持在1的折線,稱為CAP的完美曲線,也被稱為理想曲線,為上圖中灰色的線。

最后,一個真實的模型應(yīng)該能盡可能最大化地正確預(yù)測,接近于理想模型曲線。

責(zé)任編輯:lq

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 數(shù)據(jù)
    +關(guān)注

    關(guān)注

    8

    文章

    7170

    瀏覽量

    89711
  • 算法
    +關(guān)注

    關(guān)注

    23

    文章

    4631

    瀏覽量

    93434
  • 機(jī)器學(xué)習(xí)

    關(guān)注

    66

    文章

    8446

    瀏覽量

    133127

原文標(biāo)題:來!一起捋一捋機(jī)器學(xué)習(xí)分類算法

文章出處:【微信號:vision263com,微信公眾號:新機(jī)器視覺】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏

    評論

    相關(guān)推薦

    機(jī)器人如何實現(xiàn)移動功能

    在前面兩篇《如何制造足球機(jī)器人》文章中,我們主要圍繞機(jī)器人本體進(jìn)行了硬件設(shè)計,而這次將以控制器為中心,開展軟件設(shè)計工作。在正式開始之前,先為大家回顧一下機(jī)器人如何實現(xiàn)移動功能的設(shè)計。
    的頭像 發(fā)表于 01-23 10:36 ?380次閱讀
    <b class='flag-5'>機(jī)器</b>人如何實現(xiàn)移動功能

    xgboost在圖像分類中的應(yīng)用

    XGBoost(eXtreme Gradient Boosting)是種高效的機(jī)器學(xué)習(xí)算法,它基于梯度提升框架,通過構(gòu)建多個弱學(xué)習(xí)器(通常
    的頭像 發(fā)表于 01-19 11:16 ?385次閱讀

    華為云 Flexus X 實例部署安裝 Jupyter Notebook,學(xué)習(xí) AI,機(jī)器學(xué)習(xí)算法

    前言 由于本人最近在學(xué)習(xí)機(jī)器算法,AI 算法的知識,需要搭建
    的頭像 發(fā)表于 01-02 13:43 ?160次閱讀
    華為云 Flexus X 實例部署安裝 Jupyter Notebook,<b class='flag-5'>學(xué)習(xí)</b> AI,<b class='flag-5'>機(jī)器</b><b class='flag-5'>學(xué)習(xí)</b><b class='flag-5'>算法</b>

    傳統(tǒng)機(jī)器學(xué)習(xí)方法和應(yīng)用指導(dǎo)

    在上篇文章中,我們介紹了機(jī)器學(xué)習(xí)的關(guān)鍵概念術(shù)語。在本文中,我們會介紹傳統(tǒng)機(jī)器學(xué)習(xí)的基礎(chǔ)知識和多種算法
    的頭像 發(fā)表于 12-30 09:16 ?419次閱讀
    傳統(tǒng)<b class='flag-5'>機(jī)器</b><b class='flag-5'>學(xué)習(xí)</b>方法和應(yīng)用指導(dǎo)

    NPU與機(jī)器學(xué)習(xí)算法的關(guān)系

    在人工智能領(lǐng)域,機(jī)器學(xué)習(xí)算法是實現(xiàn)智能系統(tǒng)的核心。隨著數(shù)據(jù)量的激增和算法復(fù)雜度的提升,對計算資源的需求也在不斷增長。NPU作為種專門為深度
    的頭像 發(fā)表于 11-15 09:19 ?633次閱讀

    【每天學(xué)點(diǎn)AI】KNN算法:簡單有效的機(jī)器學(xué)習(xí)分類

    過程,其實就是個簡單的分類問題,而KNN(K-NearestNeighbors)算法正是模仿這種人類決策過程的機(jī)器學(xué)習(xí)
    的頭像 發(fā)表于 10-31 14:09 ?435次閱讀
    【每天學(xué)點(diǎn)AI】KNN<b class='flag-5'>算法</b>:簡單有效的<b class='flag-5'>機(jī)器</b><b class='flag-5'>學(xué)習(xí)</b><b class='flag-5'>分類</b>器

    RISC-V如何支持不同的AI和機(jī)器學(xué)習(xí)框架和庫?

    RISC-V如何支持不同的AI和機(jī)器學(xué)習(xí)框架和庫?還請壇友們多多指教一下
    發(fā)表于 10-10 22:24

    利用Matlab函數(shù)實現(xiàn)深度學(xué)習(xí)算法

    在Matlab中實現(xiàn)深度學(xué)習(xí)算法個復(fù)雜但強(qiáng)大的過程,可以應(yīng)用于各種領(lǐng)域,如圖像識別、自然語言處理、時間序列預(yù)測等。這里,我將概述個基本的流程,包括環(huán)境設(shè)置、數(shù)據(jù)準(zhǔn)備、模型設(shè)計、訓(xùn)
    的頭像 發(fā)表于 07-14 14:21 ?2466次閱讀

    深度學(xué)習(xí)中的時間序列分類方法

    時間序列分類(Time Series Classification, TSC)是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域的重要任務(wù)之,廣泛應(yīng)用于人體活動識別
    的頭像 發(fā)表于 07-09 15:54 ?1202次閱讀

    機(jī)器學(xué)習(xí)算法原理詳解

    機(jī)器學(xué)習(xí)作為人工智能的個重要分支,其目標(biāo)是通過讓計算機(jī)自動從數(shù)據(jù)中學(xué)習(xí)并改進(jìn)其性能,而無需進(jìn)行明確的編程。本文將深入解讀幾種常見的機(jī)器
    的頭像 發(fā)表于 07-02 11:25 ?1407次閱讀

    機(jī)器學(xué)習(xí)的經(jīng)典算法與應(yīng)用

    關(guān)于數(shù)據(jù)機(jī)器學(xué)習(xí)就是喂入算法和數(shù)據(jù),讓算法從數(shù)據(jù)中尋找種相應(yīng)的關(guān)系。Iris鳶尾花數(shù)據(jù)集是
    的頭像 發(fā)表于 06-27 08:27 ?1735次閱讀
    <b class='flag-5'>機(jī)器</b><b class='flag-5'>學(xué)習(xí)</b>的經(jīng)典<b class='flag-5'>算法</b>與應(yīng)用

    基于神經(jīng)網(wǎng)絡(luò)的呼吸音分類算法

    出的方法與其他機(jī)器學(xué)習(xí)模型在不同情況的性能和魯棒性進(jìn)行比較。1.用于初始模型檢查的簡單噪聲二值分類實驗。2.使用個體呼吸周期作為輸入的4類異常分類
    發(fā)表于 05-31 12:05

    深度學(xué)習(xí)與度量學(xué)習(xí)融合的綜述

    如今,機(jī)器學(xué)習(xí)的應(yīng)用廣泛,包括人臉識別、醫(yī)療診斷等,為復(fù)雜問題和大量數(shù)據(jù)提供解決方案。機(jī)器學(xué)習(xí)算法能基于數(shù)據(jù)產(chǎn)生成功的
    發(fā)表于 04-24 09:49 ?491次閱讀
    深度<b class='flag-5'>學(xué)習(xí)</b>與度量<b class='flag-5'>學(xué)習(xí)</b>融合的綜述

    深度解析深度學(xué)習(xí)的語義SLAM

    隨著深度學(xué)習(xí)技術(shù)的興起,計算機(jī)視覺的許多傳統(tǒng)領(lǐng)域都取得了突破性進(jìn)展,例如目標(biāo)的檢測、識別和分類等領(lǐng)域。近年來,研究人員開始在視覺SLAM算法中引入深度學(xué)習(xí)技術(shù),使得深度
    發(fā)表于 04-23 17:18 ?1401次閱讀
    深度解析深度<b class='flag-5'>學(xué)習(xí)</b><b class='flag-5'>下</b>的語義SLAM

    機(jī)器學(xué)習(xí)怎么進(jìn)入人工智能

    ,人工智能已成為個熱門領(lǐng)域,涉及到多個行業(yè)和領(lǐng)域,例如語音識別、機(jī)器翻譯、圖像識別等。 在編程中進(jìn)行人工智能的關(guān)鍵是使用機(jī)器學(xué)習(xí)算法,這是
    的頭像 發(fā)表于 04-04 08:41 ?399次閱讀