1. 前言 大多数人可能没听说过秀丽隐杆线虫，然而对于从事生物学研究的人来说，它可是个大明星，至少两个诺贝尔奖要归功于它。秀丽隐杆线虫是第一个基因组被测绘出来的生物，也是目前世界上唯一被完整绘制出神经网络的生物，也就是说我们知道这种虫子有多少个神经元、神经元之间是怎么连接的、甚至连接的类型和强度都被测量出来了。基于这些知识，我们可以在计算机中创造一个虚拟的虫子大脑，观察它的反应。线虫有望成为第
写在前面 在这篇文章里面将分析标准BP算法 初始条件 在上一篇博客中已经分析了简单的神经元应用，那就是与、或、非功能的神经网络实现，但是实际应用中的需求往往比这复杂许多，因此两层的神经元满足不了我们的需求，于是我们就需要带有隐层的神经网络，也就是多层的神经网络在说到神经网络的层数的时候，因为输入层是不对数据做处理的，所以不算一层，因此上图左边的神经网络是单隐层神经网络，右边的神经网络是双隐层神经网
写在前面 前文回顾：【机器学习】模型的过拟合，欠拟合以及评估方法【机器学习】性能度量：错误率与精度&&查准率、查全率与Fβ【机器学习】ROC以及代价曲线【机器学习】偏差与方差和F1与BEP值的关系今天我要分享的是神经元模型以及感知机，并且介绍神经元实现简单的与、或、非运算 神经元模型 先来看看人体的神经元模型当左边的神经元接收到皮肤等感受器官的电信号之后，如果该电信号超过了阈值，那
课程目的 强化学习，作为机器学习领域的一个研究热点，已经逐步融入工业制造、机器人控制、游戏开发当中，其以最为自然的心理学试错学习思想为核心，在整个人工智能领域占据重要地位，乃至决定着未来人工智能的发展趋势。 在诸多的机器人仿真环境中，MuJoCo是在复杂动力学仿真上做得非常出色的一个，其提供的诸多接口便于配置强化学习环境，是学习机器人强化学习必不可少的工具。 课程内容 01. 课程简介 02.
写在前面 前文回顾： 【机器学习】模型的过拟合，欠拟合以及评估方法 【机器学习】性能度量：错误率与精度&&查准率、查全率与Fβ 【机器学习】ROC以及代价曲线 今天首先分享偏差与方差的概念，接着来分析一个实例，那就是若学习器A的F1值比学习器B高，那么A的BEP值是否比B高呢？ 偏差与方差 这个部分主要是用来说明模型在泛化时会因为噪声，模型自身缺陷等原因出现泛化误差，那么我们就
自主采样：即有放回的采样 在原数据集中经过m次有放回的随机采样，可以得到一个含m个样例的子数据集，使用这个子数据集进行训练，得到一个基学习器 我们对上述过程重复T次，就会得到T个基学习器，我们对这T个学习器的预测结果进行结合，就能够得到一个准确率更高的预测结果。一般使用简单投票的方法进行结合，即选择T个预测结果中预测最多的类，例如10次预测，其中7个预测为正类，3个预测为反类，我们就认为最终预测为
MuJoCo环境介绍，许可证获取方法可参考强化学习环境：MUJOCO 安装踩坑记录（2020年7月18日）。在强化学习环境：MUJOCO 安装踩坑记录（2020年7月18日）中，博主详细介绍了他安装MUJOCO时遇到的问题与尝试解决问题采取的方法，最终他的问题得到了解决。按博主在文未的原话：“每个人的系统环境都有所差别，所以如果不成功，可以挑选上面的各种解决方案进行尝试，如果还有问题，也欢迎留言
本文介绍机器学习中的线性模型的基本形式和求解线性回归方程方法 设问题为：判断一个同学对机器学习算法的掌握程度 有以下观点：1.数学基础 2.高级语言掌握程度
目录 一、决策树是啥？ 二、决策树的工作原理 三、机器学习应用：Sklearn中的DecisionTreeClassifier 四、如何选择正则化超参数 五、总结 一、决策树是啥？ 顾名思义，我们很直观地知道决策树的基本意义，就是当面临多种选择的时候，我们需要做出决策，根据生活经验，做出决策之前会考虑方方面面，目的就是做出最佳的决策结果。举个例子，我们通过一个公司的面试考核，在接受o
写在前面 最近开始学习机器学习了，选用的参考书是周志华老师的《机器学习》，书的内容由浅入深，我看了书之后才发现原来机器学习就是我一直在找的有意思，上限高的工具，接下来我也将分享我的学习历程。 经验误差 我将设计出来的机器学习算法称为学习器，将训练集喂给学习器，通过学习器生成的最终输出就是模型。学习器用我的算法进行不停的优化迭代，从而积累经验，这也可以认为是一个参数整定的过程，但是，如果算法有缺陷或
写在前面 对于学习器所产生的模型，我们可以通过不同的方法取评估，评估方法参照我的上一篇博客：【机器学习】模型的过拟合，欠拟合以及评估方法以二分类任务为例，提到了评估我们就需要标准，标准之上我们可以称之为好模型，标准之下我们可以称之为坏模型，那么这些标准有哪些呢？在这篇博客里面将分享错误率与精度和查准率、查全率与F1 错误率与精度 这一般是会同时出现的一对评判标准，错误率就是模型在泛化时检测错误的样
LDA线性判别分析的思想十分简单，将给定的训练样例集投影到一条直线上，我们希望投影过后，不同类的数据点尽量远离，同类数据点尽量聚合。设Xi表示i类数据的集合i∈(0,1)，μi为i类数据集合的均值向量 类内散度的定义： 使用方差来度量类内的离散程度，因为都是向量表示形式，所以平方和用向量乘向量的转置表示 类间散度矩阵： 使用均值的方差表示两种数据类之间的离散程度 我们要使类间散度越大越好
参考资料：李航《统计学习方法》《机器学习实战》 1. 决策树模型 决策树（decision tree）是一种基本的分类与回归方法，其示意图如下图所示： 决策树由结点和有向边组成，结点分为内部结点（图中的圆形的结点）和叶结点（图中的方形的结点）。内部结点表示一个特征或者属性，叶结点表示一个类。决策树可以看做是一个if-then规则的集合，从根节点到叶结点的一条路径即构成一条规则。决策树的学习本质
本文介绍对数几率回归模型，是一个典型的二分类任务学习模型 书接上回，我们可以对一个数据集得到它的回归方程 我们是这样去解读回归方程的：在相关属性下对样例的某一特征的度量 我们根据回归方程得到的特征度量是一个连续值，我们可以根据这个度量值进行分类 例如：大学的绩点计算，当我们的绩点大于等于2.0才能拿到学位，否则拿不到学位，我们可以认为当度量值达到多少时将样例视为一类，而没达到的样例分为另一类。 但
参考资料1.7. Gaussian ProcessesSklearn官方文档中文整理5——高斯过程篇sklearn中文文档——1.7. 高斯过程Gaussian Processes for Machine Learning 前言 核技巧（kernal trick）是机器学习中非常重要的方法，在支持向量机（SVM）、高斯过程回归（GPR）、核岭回归（KRR）等机器学习方法中都有非常重要的运用（【
参考资料：李航《统计学习方法》《机器学习实战》sklearn的教程——1.4. Support Vector Machines 1. 线性可分问题与最大间隔 对于一个二分类问题来说，假设给定一个特征空间上的训练数据集，如果能够找到一个超平面将数据集分开，这个问题就叫做线性可分问题。以二维特征空间的分类问题为例，如下图所示，左图就是线性可分问题，右图就是线性不可分问题。将数据分隔开的直线就称作分
参考资料：李航《统计学习方法》《机器学习实战》 推荐阅读：【机器学习】Boosting与AdaBoost分类与回归原理详解与公式推导集成学习原理小结集成学习之Adaboost算法原理小结 1. 基本算法思路 提升（boosting）算法实质上是基于“三个臭皮匠赛过诸葛亮”的思想进行的，也就是通过训练多个弱分类器的（有权）组合形成一个强分类器。 对于提升方法来说，有两个问题需要回答： 一是在每
参考资料：李航《统计学习方法》《机器学习实战》 1.前言 这一节主要是一些最常用、最基本的知识和概念，以理论为主，虽然学习起来比较枯燥，但是磨刀不误砍柴工。机器学习研究的对象是数据，在数据量指数性增长和爆炸的今天，它的重要性不言而喻。机器学习最基本的三个要素是模型（model）、策略（strategy）和算法（algorithm）。模型是是指数据输入（即输入集）和输出（即输出集）之间的函数映射
文本分类是NLP领域最经典的应用场景之一，其实现方法我们可以划分为两类。 其一是基于传统机器学习的文本分类，如 TF-IDF文本分类。其二便是基于深度学习方法的文本分类，如Facebook开源的FastText文本分类，Text-CNN 文本分类，Text-CNN 文本分类等。下面我们详细介绍这两种方法。 一、机器学习方法 文本分类任务可被划分为特征工程和分类器两部分，具体流程如下图所示： 特征工
深度迁移学习概述： 先分享一个小例子，对迁移学习有一个很好的初步理解： 读自https://blog.csdn.net/SuperYR_210/article/details/78952292 迁移学习简单的将就是举一反三，是将已经学习到的知识迁移到另一种未知的知识的学习，即从源域迁移到目标域。 小故事 从前有一个商人，在帝都以卖猫的玩偶为生，他叫CNN，很厉害，是一个分辨高手，擅长区分不同的猫
第三方账号登入
看不清？点击更换
第三方账号登入
QQ 微博