精华内容
下载资源
问答
  •  最近公司做的东西要在linux 64位机器上测试,环境部署交给我了,感觉挺有挑战的。  以前只是接触过一些linux简单的配置和一些软件的安装和运行,还没接触过64位的机器,很多软件都要用64位的,听头说...

          最近公司做的东西要在linux 64位机器上测试,环境部署交给我了,感觉挺有挑战的。

           以前只是接触过一些linux简单的配置和一些软件的安装和运行,还没接触过64位的机器,很多软件都要用64位的,听头说下载很多应用在32位机器上跑步了,64位性能要好,没办法,硬着头皮上了。在上面碰到很多问题,用的是jdk1.6.0_23  64位的,jboss 服务器,activeMQ5.3.2,应用的包太多了,很多在windows下没问题的应用跑在linux 64位机器上就出问题了,刚开始不知道什么原因。

           后来查了下,很多加载顺序不一样,java中的jar包很容易冲突,服务器只识别先加载的jar包,原因确实很难找。

            看来,以后还要多研究下64的linux,感觉机器跑得还是挺快的,E8400 3.0mHZ,启动服务器比xp x86  2.6mhz的机器快了一个等级。

    展开全文
  • 最近在学机器学习课程,主要是在做吴恩达简版机器学习课后作业,不过原版的作业要求用octave/matlab完成,因为现在python的流行,我也尝试在看着别人参考程序的基础上自己试图模仿着写一下程序 现在把一些小的感想...

    最近在学机器学习课程,主要是在做吴恩达简版机器学习课后作业,不过原版的作业要求用octave/matlab完成,因为现在python的流行,我也尝试在看着别人参考程序的基础上自己试图模仿着写一下程序

    现在把一些小的感想或者感悟总结如下:
    过程

    1、从文件读取数据

    2、截取片段,将X、y数据变成矩阵形式(ndarray),并将参数矩阵θ初始化,通常都是全0或者全1的行向量或列向量

    3、根据公式写出假设函数,在此步骤中,书本上的公式形如θTX的,在代码中并不一定就是θTX,它有可能是XTθ或者θX等形式,具体要看X的shape,θ在初始化时是行向量还是列向量,X与θ或者其转置相乘之后要和y的shape相同,才便于后续计算

    4、根据公式写出代价函数

    5、写出计算梯度的函数或者批量梯度下降的函数

    6、通过初始化学习率α以及迭代次数,算出迭代若干次之后的代价函数,如果代价函数已经是最小,将此时的参数向量θ取出来代入假设函数中去求得预测的结果(线性回归);通过高级算法算出使损失函数最小时的参数向量θ取出来代入假设函数中去预测分类的结果(逻辑回归)

    7、将预测的值与实际值对比得到预测的准确率

     

    当然,如果第1、2步中如果数据范围差异过大,还要先进行特征缩放,4-6步中,可以适当加入正规化项,对假设函数中高阶项进行惩罚以减少过拟合现象。在第2步和第6步之后还可以通过matplotlib画图,将数据可视化,以便于观察和分析。

    第4步写代价函数时,使用向量化的方法可以使代码更简洁,它们自己就可以加在一起

    第6步使用高级算法时,传的参需要前面自定义的代价函数,代价函数的形参中θ必须在首位,否则会出错

    根据公式写各种函数时,要注意对于ndarray类型的数据来说X*y是向量的乘法,即X和y矩阵中行标和列标相等的元素分别相乘,而X@y才表示矩阵的简洁,这点千万要注意

     

    截止今天为止,也只勉强完成了两次练习的内容,还有一些不理解的地方,对于画图的程序也没仔细研究。下来需要慢慢补上。

    重新翻了一下中信出版社魏贞原的《机器学习python实践》,发现这真是一本不可多得的好书,以后用python完成吴恩达简版ML课后练习时就要用它当参考书了。

    转载于:https://www.cnblogs.com/flyingtester/p/10970831.html

    展开全文
  • 机器学习 SVM感想

    2020-05-03 23:38:05
    SVM向量机的机制可以理解为:支撑向量机如何解决“不适定问题呢”?SVM要找到一条泛化性比较好的决策边界,就是这条直线要离两个分类都尽可能的远,我们认为这样的决策边界就是好的。 其中有,在线性可分问题中,...

    SVM向量机的机制可以理解为:支撑向量机如何解决“不适定问题呢”?SVM要找到一条泛化性比较好的决策边界,就是这条直线要离两个分类都尽可能的远,我们认为这样的决策边界就是好的。

    其中有,在线性可分问题中,对于样本点来说,存在一根直线可以将样本点划分,我们称之为Hard Margin SVM;但是(同样线性不可分),有时候会出现不那么完美,样本点会有一些噪声或者异常点,并不能完全分开。即没有一条直线可以将样本分成两类。那么就提出了Soft Margin SVM。就是对于svm的最后最有结果存在一定的容错率。更加适合在存在噪声的数据之中。

    展开全文
  • 关于机器学习的一点感想

    千次阅读 2016-08-19 19:52:51
    但唱衰机器学习,认为机器学习准确性不高,基于人工定义规则比机器学习自动发现的规则更有效的言论也不少。 个人理解,机器学习在各个领域的探索的时间不长,相关算法如何与实际分析场景相结合的具体路子也不太成熟...
    虽然AlphaGO战胜了李世石,让一直不温不火的人工智能和机器学习火了一把,也激起了很多人的研究兴趣。但唱衰机器学习,认为机器学习准确性不高,基于人工定义规则比机器学习自动发现的规则更有效的言论也不少。
    个人理解,机器学习在各个领域的探索的时间不长,相关算法如何与实际分析场景相结合的具体路子也不太成熟,但所谓“乱世出英雄”,真正三足鼎立的时候那其他人也插入不了了。这正是各大公司应该积极投入人力和资源进行研究的大好时机,好在这乱世中争夺一片属于自己的天下。
    人工智能必将取代专家,机器主动发现规则必将取代人工写规则。墨守成规的人抱着柱子唱衰,也阻碍不了时代车轮的滚滚前进,技术的革命必将带来传统的各个领域企业的大洗牌。成功研究适用于自己领域中的机器学习算法的公司必会成为该领域的霸主,而保守的公司也必然会如芬兰的诺基亚一样在温水煮青蛙的过程中被新崛起的对手碾压。
    展开全文
  • 以后决定进军机器学习领域,这篇文章是这个系列的文章的初始篇,算是这个类别文章的Hello World吧。  我宣布,从今天(2017年5月10日)起,我要开始学习机器学习相关的知识了!这是一个激动人心的时刻,就像当年...
  • 王益 《分布式机器学习的故事》
  • 摘要:国际机器学习大会(ICML)源于1980年卡内基-梅隆大学举办的机器学习研讨会,如今已发展为国际机器学习学会(IMLS)主办的年度机器学习国际顶级会议,代表机器学习学术界最高水平。大数据时代,ICML又有什么...
  • 1.各种竞赛啥问题? 首先各种竞赛是公司里面没有合理方案下的一个产物, 用尽可能少的成本来获取最优方案. 但是冠军方案一定是最优方案吗? 显然不是, 因为各种比赛切断了"人与人沟通"的因素, ...
  • 机器学习-决策树学习笔记理论模型代码和参数criterionmax_depthmin_samples_leaf怎样提高准确率数据处理调整参数总结 理论 个人对决策树理论的理解:决策树就像是由不同层级的很多选择器的组合,这些选择器内部的...
  • 关于机器学习课程的感想(一)

    千次阅读 2018-07-27 18:50:33
    接下来两年半,甚至可能是五年,应该都要针对人工智能、深度学习、机器学习的内容进行学习。由于现在还没正式入学,所以自己先买了几本书,找了点视频对相关内容进行学习。现在想把看的内容记下来写个博客,以后回头...
  • 机器学习就是把无序的数据转换成有用的信息。机器学习一般包括训练集、学习算法、目标变量、假设函数。目标变量是机器学习的预测结果。如图1所示,在训练集上结合目标变量,利用学习算法不断学习,使得假设函数h能够...
  • paddlepaddle学习感想

    2020-03-30 16:44:13
    paddlepaddle(以下简称飞桨)是笔者在机器之心上看到的,那时正好笔者刚开始机器学习之路,之前有看过斯坦福大学吴恩达的机器学习视频,还有b站是tensorflow的学习视频,还有莫凡python等学习视频,视频刷了好几遍...
  • 在前面几课里的学习算法的思路都是给定数据集以后。确定基于此数据集的最佳如果H函数,通过学习算法确定最佳如果H的各个參数,然后通过最佳如果函数H得出新的数据集的结果。在这一课里介绍了一种新的思路,它的核心...
  • 知识学习感想

    2017-04-03 21:48:55
    我们人类学习知识就是类似于迭代的过程,从新知识到熟悉再到掌握,整个过程需要不断的迭代!知识不可能只是学习一次就熟透,每次学习感觉都会不一样!跟我们的机器学习算法是一样的,参数需要不断的学习更新迭代!
  • 机器学习第三篇----lightgbm 使用感想

    千次阅读 2019-01-05 17:29:39
    可用于排序,分类,回归以及很多其他的机器学习任务中。 它有以下优势: 更快的训练效率 低内存使用 更好的准确率 支持并行学习 可处理大规模数据 首先看下lightgbm的python 实现 # coding: utf-8 # 函数的更多...
  • 方便大家相互学习交流,本文转自《程序员》杂志 http://www.csdn.net/article/2013-09-05/2816831 ————————————————————————————————————————————————————...
  • 初识机器学习     &...
  • 这一课主要是从怎样推断一个机器学习分类算法里拟合的參数是最佳參数引出函数间隔和几何间隔的定义。 1、函数间隔 如果假想函数,,那么能够知道y=1;反之则y=0 。所以当。我们能够非常确定的觉得y=1;当,...

空空如也

空空如也

1 2 3 4 5 ... 12
收藏数 225
精华内容 90
关键字:

机器学习感想