粗略的上完北京理工大学礼欣老师的课以后,还是有很多疑问,这不,拿起scikit-learn的官方文档,重新撸一遍。
继续阅读“再看scikit-learn”
分类:ML基本概念
Mac运行sklearn的matplotlib问题
mac上在conda中配置的sklearn所需要的各种包,准备好好撸一下sklearn这个东东,
继续阅读“Mac运行sklearn的matplotlib问题”
机器学习[7]–深度学习
一 、强化学习
* 强化学习就是程序或智能体(agent)通过与环境不断地进行交互学习一 个从环境到动作的映射,学习的目标就是使累计回报最大化。
* 强化学习是一种试错学习,因其在各种状态(环境)下需要尽量尝试所 有可以选择的动作,通过环境给出的反馈(即奖励)来判断动作的优劣, 最终获得环境和最优动作的映射关系(即策略)。
继续阅读“机器学习[7]–深度学习”
机器学习[4]–无监督学习–降维
三、降维
降维,就是在保证数据所具有的代表性 特性或者分布的情况下,将高维数据转化为 低维数据的过程:
* 数据的可视化
* 精简数据
继续阅读“机器学习[4]–无监督学习–降维”
机器学习[6]-监督学习–回归
三、回归分析
回归:统计学分析数据的方法,目的在于了解两个或多个变数间是否相关、 研究其相关方向与强度,并建立数学模型以便观察特定变数来预测研究者感兴 趣的变数。回归分析可以帮助人们了解在自变量变化时因变量的变化量。一般 来说,通过回归分析我们可以由给出的自变量估计因变量的条件期望。
继续阅读“机器学习[6]-监督学习–回归”
机器学习[5]-监督学习–分类
## 一、监督学习的目标
利用一组带有标签的数据,学习从输入到输出的映射,然后将这种映射 关系应用到未知数据上,达到分类或回归的目的。
分类:当输出是离散的,学习任务为分类任务。
回归:当输出是连续的,学习任务为回归任务。
继续阅读“机器学习[5]-监督学习–分类”
机器学习[3]–无监督学习–聚类
一、无监督学习的目标
利用无标签的数据学习数据的分布或数据与数据之间的关系被称作无监 督学习。
• 有监督学习和无监督学习的最大区别在于数据是否有标签
• 无监督学习最常应用的场景是聚类(clustering)和降维(Dimension
Reduction)
继续阅读“机器学习[3]–无监督学习–聚类”
机器学习[2]-sklearn简介
一、Python Scikit-learn
• http://scikit-learn.org/stable/ • Machine Leaning in Python
• 一组简单有效的工具集
• 依赖Python的NumPy,SciPy和matplotlib库 • 开源、可复用
继续阅读“机器学习[2]-sklearn简介”
机器学习[1]-简介
一、机器学习的目标
机器学习是实现人工智能的手段,其主要研究内容是如何利用数据或经 验进行学习,改善具体算法的性能
• 多领域交叉,涉及概率论、统计学,算法复杂度理论等多门学科
• 广泛应用于网络搜索、垃圾邮件过滤、推荐系统、广告投放、信用评价、欺诈检测、股票交易和医疗诊断等应用 继续阅读“机器学习[1]-简介”