他的首页
他的馆藏
他的动态
馆友反馈
关于他
| 共 74 篇文章 |
|
浅谈机器学习框架和算法概述。训练模型 定义模型：要想通过学习训练得到训练模型，必须要先定义一个模型，明确要得到一个什么样的模型，才能通过大量的数据训练得到期望的较为准确的模型。属于此类的有分类算法，回归算法等半监督学习：又名强化学习，有Y值，但是不是最终的分类结果，需要在算法过程中逐渐完善类别，明确类别。所有算法非1即2... 阅105 转0 评0 公众公开 22-09-20 17:19 |
算法、模式和框架之浅见。算法、模式和框架有关系吗？设想，当这个世界人类还在很远很远的个体时代，个人在认知、学习、创造发明、持续改进的能力直接决定了他们的生存状态，总有那么些人区别而领先与其他人，首先掌握了好的方法或是先进的工具，他们代表的人类进步的方向----此时如算法，强调的是代码本身实现效率；虽然我对框架的定义没有研... 阅27 转0 评0 公众公开 22-09-20 16:43 |
算法和算法框架，谁会代表未来？算法和算法框架是机器学习非常重要的两个因素，算法就是诸如LR、GBDT、DNN、DeepFM这样的实际解决某个数学问题的公式实现。算法框架指的是计算框架，计算框架可以让算法执行更高效，比如最早玩深度学习的人都用过Theano，基于Theano去开发算法很困难，后来有了PyTorch和TensorFlow，让基于深度学习的算法开发更... 阅30 转0 评0 公众公开 22-09-20 16:35 |
第二章平面上的直角坐标曲线及其方程。7.平面上曲线方程的概念。3.曲线的极坐标方程。2.曲线的参数方程。第八章曲面方程与曲线方程。3.母线平行于坐标的柱面方程二次柱面。5.空间曲线的参数方程。1.过一点并已知一法线矢量的平面方程。4.求导数的例题导数的基本公式表。5.函数的和积商的导数。9.参数方程所确定的函数的导数。T-函数。7.函数项... 阅294 转2 评0 公众公开 21-06-16 10:45 |
按照标签体系分级分层的方式，可以分为一级标签、二级标签、三级标签等，每一个层级的标签相当于一个业务维度的切面；对标签的管理与维护通常按照标签的生命周期来开展的，涉及标签开发与发布、标签应用、标签价值评估和标签优化及下线四个阶段。为做好标签管理与维护，有必要设立专门的标签管理团队，建立标签分类、命名、描述、和实施等方面... 阅197 转0 评0 公众公开 21-01-14 15:28 |
2、风险函数：损失函数的期望，评估模型平均预测好坏。eg：当模型是条件概率，损失函数是对数损失函数时，经验风险最小化等价于极大似然估计。eg：当模型是条件概率，损失函数是对数损失函数，模型复杂度由先验概率表示时，经验风险最小化等价于最大后验概率估计。就是利用已知的样本结果信息，反推最具可能（最大概率）导致样本结果产生的模型... 阅47 转0 评0 公众公开 20-11-25 10:05 |
经验风险、期望风险、结构风险序。常见的损失函数：确定了损失函数后，那么自然地损失函数越小越好，由于模型的输入X，输出Y 是随机变量，遵循联合分布P(X, Y)，所以损失函数的期望为：（连续变量求积分，离散变量求和）为什么要引入损失函数的期望呢？李航老师书中的两个疑惑“当模型是条件概率分布、损失函数是对数损失函数、模型复杂度由模... 阅427 转0 评0 公众公开 20-11-25 10:03 |
分类，聚类及其回归的区别。clustering (聚类),2，如果给定一组样本特征 , 我们没有对应的属性值 , 而是想发掘这组样本在 二维空间的分布, 比如分析哪些样本靠的更近，哪些样本之间离得很远, 这就是属于聚类问题。聚类（clustering）clustering：聚类。聚类也是分析样本的属性, 有点类似classification, 不同的就是classification 在预测之前是... 阅2226 转6 评0 公众公开 20-05-30 12:36 |
数据挖掘其实很像是医生在诊断病人，当病人到达医院之后，医生先要收集病人的病症，将各项病症进行分析并产生关联，然后才能进行诊断。所有的数据都不一样，例如做通讯的数据，从移动、联通、电信来的数据都不一样，因为大家的客户群不同，背后的数据特点不同。大象就对应海量数据，每一个数据分析师就是这个瞎子，我们只能够摸一部分大象的部... 阅108 转1 评0 公众公开 17-02-09 20:29 |
数据挖掘其实很像是医生在诊断病人，当病人到达医院之后，医生先要收集病人的病症，将各项病症进行分析并产生关联，然后才能进行诊断。所有的数据都不一样，例如做通讯的数据，从移动、联通、电信来的数据都不一样，因为大家的客户群不同，背后的数据特点不同。大象就对应海量数据，每一个数据分析师就是这个瞎子，我们只能够摸一部分大象的部... 阅63 转0 评0 公众公开 17-01-11 08:06 |
