精华内容
下载资源
问答
  • 机器学习心得体会总结

    千次阅读 2018-01-04 14:40:31
    第一:线性代数是把复杂问题简单化解决,但是简单问题已经很复杂了。 第二:国内还没有一本关于机器学习讲得连老百姓都能看得明白的书籍。

    第一:线性代数是把复杂问题简单化解决,但是简单问题已经很复杂了。

    第二:国内还没有一本关于机器学习讲得连老百姓都能看得明白的书籍。

    第三:克拉默法则、逆矩阵、初等变换都可以求解方程Ax=b,后者方法更简单。

    展开全文
  • 机器学习》心得体会

    千次阅读 2019-06-25 10:07:44
    那么就当时应景吧,写一写我关于机器学习的一些笔记及认识,内容主要根据在Coursera上Andrew Ng大神的课程来做笔记。 首先,什么是机器学习? 参照百度百科的讲解,“机器学习是一门多领域交叉学科,设计概率论、...

    前段时间,google的alphaGo让大家的眼睛都聚焦到这一“人工智能”上了。那么就当时应景吧,写一写我关于机器学习的一些笔记及认识,内容主要根据在Coursera上Andrew Ng大神的课程来做笔记。
    首先,什么是机器学习?
    参照百度百科的讲解,“机器学习是一门多领域交叉学科,设计概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习能力,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。”什么意思呢?也就是说,机器学习是一门跨领域的学科,是一种能够让机器模仿人类学习能力的一种学科。在Andrew的课程中,提到了几个机器学习的定义:
    1,Arthur Samuel (1959) :
    Machine Learning is a field of study that gives computers the ability to learn without being explicitly programmed.
    塞缪尔亚瑟 : 机器学习是一门给予计算机不需要显式编程而获得学习能力的领域。
    2,Tom Mitchell (1998) : Well-posed Learning Problem : A computer program is said to learn from experience E with expect to some tasks T and some performance measure P , if its performance on T , as measured by P ,
    improve with experience E.
    汤姆米切尔: 学习程序的问题:计算机程序如果通过一些预期的任务T在一些特定的特征P的标准下学习到经验E,那么就说明这个计算机程序通过经验E获得了提升。(比较抽象)
    米切尔的定义,是比较抽象但是又比较准确的,能够大体概括出机器学习的主要方法和目的。通俗点儿讲,当你手上有一堆带有指标的数据,比如一个班级学生的身高(height)、体重(weight)、性别(gender)、成绩排名(rank),看上去这些数据是没有什么必要联系的,但是你想模拟出一个公式来计算或预测一个学生的成绩是和身高、体重、性别有某些必然联系,假设
    rank = ø0+ø1*height + ø2 * weight + ø3 * gender
    但是你又无法确定ø0、ø1、ø2、ø3这些参数的值,所以获取这几个参数的值的方法,就是机器学习算法。
    那么机器学习有哪些方法呢?
    机器学习,大体上分成两个分类:监督学习(supervised learning)和非监督学习(unsupervised learning);细分的话,还有半监督学习(half-supervised learning)和增强学习(reinforcement learning)
    如何来区分监督学习和非监督学习呢?其实很简单,只要看,你的训练集是有输入有输出,那么通过这样的训练集获取到的算法,就是监督学习算法;反之,如果你的训练集是只有输入没有输出,那么最后得到的算法就是无监督学习算法。半监督学习呢,就是当你的训练集中,有一部分是标记的数据(有input和output),一部分是非标记数据(有input无output),那么就是半监督学习;强化学习,通过其他学习后得到的算法,在你的另外一组数据的刺激下得到的更为精准的算法,这样的方式就是强化学习。

    展开全文
  • 机器学习实战中的心得体会

    千次阅读 2019-06-11 11:18:02
    1.如何处理非均衡分类代价? 如题目所讲,处理非均衡的分类代价的意思也就是当不同的分类预测正确或者错误时,其损失函数的代价是不同的; 当真实值为+1,预测值为+1时,其代价值和真实值为-1,预测值为-1的代价值是...

    1.如何处理非均衡分类代价?

    如题目所讲,处理非均衡的分类代价的意思也就是当不同的分类预测正确或者错误时,其损失函数的代价是不同的;
    当真实值为+1,预测值为+1时,其代价值和真实值为-1,预测值为-1的代价值是不同的,在我们理解范围内,我们基本上认为这两个预测都是正确的,其代价值应该是一样的,但是分类的不同得到的收益是不同的,其代价函数也是不同的。
    在这里插入图片描述
    在这里插入图片描述
    上文中说道:分类真确和错误的代价值是不同的,得到的收益也是不同的,在选择分类器时,我们可以U型安泽最小代价的分类器,而不是只看错误率或者正确率来选择分类器
    adaboost中,我们可以利用代价函数来调整分类错误的样本的权重向量D;在朴素贝叶斯中,我们可以选择最小期望代价而不是最大概率的类别作为最后的结果。在SVM中,在代价函数中对于不同的类别选择不同的参数C。上述做法会给予较小的类更多的权重,在训练时,小类中只允许更少的错误。

    2. 处理非均衡问题的数据抽样方法

    在这里插入图片描述

    展开全文
  • 机器学习工程师第一年的12点体会.pdf
  • 机器学习-GMM心得体会

    千次阅读 2013-08-14 13:34:12
    这次在前段时间补了一阵子概率论外加昨天学习状态好,把GMM看的明白透彻了。本想用python实现下,却发现,那matlab代码让我看得着实头疼,还得在python和matlab之间寻找各种功能相似的代码,郁闷之下,还是没有完成...

    这次又看了两天的GMM,之前看过一次,没看的太明白。这次在前段时间补了一阵子概率论外加昨天学习状态好,把GMM看的明白透彻了。本想用python实现下,却发现,那matlab代码让我看得着实头疼,还得在python和matlab之间寻找各种功能相似的代码,郁闷之下,还是没有完成这个程序。各种数学公式,python中找那些函数,搞的我异常的烦躁。
    不浪费时间了,我其实就是想理解清楚这个算法嘛,干嘛要死扣呢?不吐槽了,说下自己对GMM的认识。

    GMM 英文全称:Gaussian Mixture Model  中文:高斯混合模型 。既然叫高斯混合模型,自然是由高斯模型混合而来。高斯模型,就是我们平时的正态分布,又名高斯分布。友情提醒:要学习理解高斯混合模型,需要中心极限定理和极大似然估计这两个概率论背景知识。高斯混合模型,也主要是用于聚类。举这样一个例子:假设现在有两个不同的高斯分布,我们用这样的两个分布随机的生成任意多个点,那么如何将某个点判定为属于哪一个分布?这就相当于一个聚类问题,如何将一个点分配到他应该属于的那个类中。
    我们知道kmeans也可以用于聚类,那么GMM和kmeans的区别在哪里呢?在kmeans中,我们直接就得到了一个数据点,应该属于哪一个类。而在GMM中,我们得到的结果只是某个点属于某个类的可能性大小。举个例子,比如存在这样一种情况:两个高斯分布图像存在重叠的部分,那么处于交叉部分的数据点A,就只能是有一个属于某一个高斯分布的概率。如何决定A是属于哪一个高斯分布,将有你来作决定,而不是由机器决定。假如有这样一个根据症状测试病人患什么病的机器,如果机器测出来患A病的可能性是0.55,患B病的可能性是0.45.这两个概率就很接近,这时候不能草率的说病人就是患A病,必须由医生再次诊断。
    GMM的学习结果:就是某个数据点属于某个类的概率。
    每个GMM看作有K个高斯分布组成,那么这些高斯分布的线性组合就是GMM的概率密度函数:


    其中 πk表示第k个高斯分布被选中的概率。显然我们要作的就是确定 pi(k),mu(k),sigma(k) (ps:主机本身没有Latex功能,所以就无法直接打希腊字母,郁闷的很,将就着看吧)这些参数的值.显然利用概率论中的极大似然估计来对参数进行估计。极大似然估计的条件就是在分布函数已知的情况下,借助总体的一个样本对参数进行估计。我们这里已知概率密度函数了,利用一组样本值,X=(x1,x2,...xn),得到事件X发生的概率为:


    取对数后可得


    接下来我们只要将这个函数最大化(通常的做法是求导并令导数等于零,然后解方程),亦即找到这样一组参数值,它让似然函数取得最大值,我们就认为这是最合适的参数,这样就完成了参数估计的过程。由于这里对数里面又有累加的过程,我们无法直接用求导的方式求得pi(k),mu(k),sigma(k)。我们采取迭代的方式,首先假设pi(k),mu(k),sigma(k)已知,计算数据点i由第k个高斯分布生成的概率gamma(i,k),然后在利用算出来gamma(i,k), 计算pi(k),mu(k),sigma(k)。循环上述步骤,直至GMM的似然函数的值收敛。

    上面部分写的混乱了点,还是上公式吧。上述过程总体而言分成3步:

    第一步:估计每个数据点属于每个类k的概率,假设mu,pi,sigma这些都是已知的:



    第二步:对于每一个聚类k,我们已知它的分布函数,就利用r(i,k)来计算对应的mu(k),pi(k),sigma(k):


    第三步:重复迭代上面两步,将上面计算出的pi,mu,sigma带入GMM的极大似然函数中,当似然函数的两次结果小于起初设定的阈值,即似然函数收敛后,运算结束。

    展开全文
  • 斯坦福大学cs229学习体会(1)-机器学习入门 之前在上一家公司实习的时候做了一些和机器学习有关的内容,是一个朴素贝叶斯的分类预测。当时没有机器学习的基础,就自己一个人各种查阅资料,请教同事。总算是完成了...
  • 在亚马逊上买了Peter Flach教授写的段菲博士翻译的《机器学习》一书,开始机器学习之旅。开始之前,先介绍下Peter Flach教授: 布里斯托尔大学人工智能教授,拥有20多年的机器学习教研经验。在高度结构化的数据...
  • 正是对机器学习的过程中的痛苦有切身体会,作者希望能做一份教程,以浅显易懂的方式去讲解它,降低大家的学习门槛。作者为此花费了数月时间,经常做到深夜,把自己的学习笔记整理成了这份教程。
  • 为什么我们要学习机器学习?它能帮我们找到工作吗? 机器学习好像很高大上很复杂,应该怎么着手去学呢?
  • 本文是观看斯坦福大学吴恩达老师的机器学习视频后的一些心得体会和总结,以及作业题中的关键代码,大家可以共同讨论进步。 机器学习,我自己的理解就是让计算机去模拟人类的行为方式,也就是人工智能的一个雏形?!
  • 近期因工作需要,开始学习机器学习。学习心得体会,定期更新梳理出来,首次接触,可能有理解和解释不到位的地方,望批评指正,也算是自我提升。提到机器学习,楼主第一反应是各种复杂的公式,各种搞不定的矩阵计算、...
  • 机器学习系列01——机器学习需要这些数学知识

    千次阅读 热门讨论 2016-02-06 22:41:53
    机器学习中涉及到的数学知识
  • 机器学习与深度学习资料

    千次阅读 2017-10-21 19:17:58
    机器学习与深度学习资料 机器学习 《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep ...
  • 斯坦福大学机器学习课程笔记,详细介绍了各种机器学习算法,公式逐一推导,是机器学习入门的尚好材料。包含多种机器学习算法的讲解和作者的心得体会,学习机器学习事半功倍。
  • 机器学习迁移学习简明手册。 迁移学习作为机器学习的一大分支,已经取得了长足的进步。本手册简明地介绍迁移学习的概念与基本方法,并对其中的领域自适应问题中的若干代表性方法进行讲述。最后简要探讨迁移学习未来...
  • 李宏毅机器学习笔记

    2019-01-18 15:02:53
    李宏毅机器学习笔记,文档文件,笔记全面,总结充分,仅供学习
  • 以前也算比较系统接触过机器学习吧,记得最早的时候是大二,机器学习才刚开始提起,更多的是说统计学习。那个时候,深度学习似乎都还没有听过,看的第一本书也是一本外国人写的,一直拿鸢尾花数据集当例子的书。当时...
  • 机器学习小白,博客中或多或少会有一些问题,如若各位大佬发现其中问题还望指正,万分感激。 刚开始学习机器学习,看论文的时候搞不懂那篇论文到底是做了什么,然后就去整理了一下机器学习的基础理论进行了一下...
  • 机器学习对车辆进行评估,详细!
  • 机器学习极简入门课

    千次阅读 2018-07-03 02:45:07
    本达人课针对机器学习初学者,从机器学习、深度学习最基本的原理及学习意义入手,以模型为驱动,带领大家吃透几个最经典的机器学习模型——学习这些模型的原理、数学推导、训练过程和优化方法。 本课为每个模型提供...
  • 分布式机器学习的故事

    万次阅读 多人点赞 2016-11-07 12:08:58
    王益博士,称得上机器学习领域的资深从业者,本人之前有幸拜读过王益博士的一些paper和slides,对其从事的“分布式机器学习”方向尤感兴趣。王益博士之前写过一篇《分布式机器学习的故事》,总结了自己从业多年的...
  • 机器学习学习心得

    千次阅读 2018-05-14 15:37:49
    转载自:http://blog.csdn.net/lcjpure/article/details/8069704结合自己的学习经历,总结一下如何学习机器学习。...南京大学周志华教授写的科普文章《机器学习和数据挖掘》还不错,对机器学习和数...
  • 机器学习:入门实例

    千次阅读 2019-06-27 10:48:32
    随着科技的发展,机器学习越来越走进我们的日常生活中,在普通人眼里机器学习是一门重算法,数学公式复杂的高门槛职位,笔者也深入研究这块,接下来从一个学习小白的角度讲述一个完整的机器学习案例,方便很多像笔者...
  • 138页的内容,完整记录了学周志华西瓜书《机器学习》16个篇章的学习和体会
  • 机器学习算法各个击破

    千次阅读 2018-07-03 02:45:06
    同时还会结合作者本人在机器学习数据挖掘领域的经验和 BAT 等一线互联网面试经历,列举常见的机器学习面试题以及相关答题技巧。帮助读者从理论到实践,再到搞定面试 BAT 的一系列能力的培养。 专家推荐 本课程是面向...
  • 机器学习经典书籍介绍

    千次阅读 2014-09-15 10:14:06
    机器学习经典书籍小结 博客第一篇文章[1]是转载的,也算是开始写博客不经意的表露了自己对机器学习的兴趣吧!那篇文章总结了机器学习的一些经典算法的论文与数学基础理论的一些书籍,对于开始学习机器学习的话...
  • 机器学习&深度学习入门学习资料大全(一)
  • 机器学习与深度学习资料整理

    千次阅读 2018-03-01 17:43:49
    《Brief History of Machine Learning》介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning.《Deep Learning in Neural Networks: An Overview...
  • 有许多的途径可以了解机器学习,也有许多的资源例如书籍、公开课等可为所用,一些相关的比赛和工具也是你了解这个领域的好帮手。本文我将围绕这个话题,给出一些总结性的认识,并为你由程序员到机器学习高手的蜕变...
  • 机器学习导论总结

    千次阅读 2017-06-25 16:29:31
    今天开始重新看一篇机器学习导论,相信有了做研究的一些经验,能更好的得到更加深入的理解。 1. 什么是机器学习? 生活中我们的经验告诉我们, 数据是存在某种确定的模式的。机器学习使用实例数据或者过去的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 43,394
精华内容 17,357
关键字:

机器学习体会