机器学习_路径

机器学习_深度学习_入门经典(博主永久免费教学视频系列) https://study.163.com/course/courseMain.htm?courseId=1006390023&share=2&shareId=400000000398149 作者座右铭---- 与其被人工智能代替,不如主动设计机器为我们服务. 长期以来机器学习很多教材描述晦涩难懂,大量专业术语和数学公式让学生望而止步.生活中机器学习就在我们身边,谷歌,百度,Facebook,今日头条都运用大量机器学习算法,实现智能

今天学了机器学习第一节, 希望能够坚持下去,其实不在乎课程是什么?关键要坚持下去 今天主要学了对矩阵的一些操作, 用的库是numpy 开始从头到尾捋一遍, 作者说的很有道理,学计算机,动手能力要强,所以以后尽量不要用pycharm,养成了不好的习惯 1.首先,第一个是导入库 import numpy 然后接下来我们创建一个矩阵: 用array方法 import numpyvector = numpy.array([5, 10, 15, 20]) #一维矩阵 matrix = numpy.arra

1. 监督学习--分类 机器学习肿分类和预测算法的评估: a. 准确率 b.速度 c. 强壮行 d.可规模性 e. 可解释性 2. 什么是决策树/判定树(decision tree)? https://scikit-learn.org/stable/modules/tree.html 3. 熵(entropy)概念: 变量的不确定越大,熵也就越大. 4. 决策树归纳算法(ID3) 5. 其他算法及优缺点 6. 决策树的应用 生成后的决策树 逻辑代码: 但这段代码不是特别通用,而且有bug, 需要

原文地址:https://www.cnblogs.com/tianqizhi/p/8999453.html

决策树优点:计算复杂度不高,输出结果易于理解,对中间值的缺失不敏感,可以处理不相关特征数据: 决策树缺点:可能会产生过度匹配问题. 决策树的一般步骤: (1)代码中def 1,计算给定数据集的香农熵: 其中n为类别数,D为数据集,每行为一个样本,pk  表示当前样本集合D中第k类样本所占的比例,Ent(D)越小,D的纯度越高,即表示D中样本大部分属于同一类:反之,D的纯度越低,即数据集D中的类别数比较多. (2)代码中def 2,选择最好的数据集划分方式,即选择信息增益最大的属性: 其中 这里V

1. 概念: https://scikit-learn.org/stable/modules/neighbors.html 1. Cover和Hart在1968年提出了最初的临近算法 2. 分类算法(classification) 3. 输入基于实例的学习(instance-based leaning).懒惰学习(lazy learning) 开始时候不广泛建立模型,在归类的时候才分类 2. 例子: 3. 算法详述 1. 步骤: 为了判断未知实例的类别,以所有已知类别的实例作为参照 选择参数K

原文地址:https://www.cnblogs.com/liwenhua666/p/11094092.html

这两本放在一起看吧.当然了,我觉得Spark上面的实践其实是非常棒的.有另一个系列文章讨论了Spark. /Users/baidu/Documents/Data/Interview/机器学习-数据挖掘/<机器学习_周志华.pdf> 一共442页.能不能这个周末先囫囵吞枣看完呢.哈哈哈. P1 一般用模型指全局性结果(例如决策树),用模式指局部性结果(例如一条规则). P3 如果预测的是离散值,那就是分类-classification:如果预测的是连续值,那就叫回归-regression. P3

百度网盘:https://pan.baidu.com/s/1SShwxxBIHB_rynF_jUjApA 一.内容清单: 1..python入门书籍:?? ??? ?python基础教程.pdf?? ??? ?python语言及其应用.pdf?? ??? ?python语言入门.pdf?? ??? ?像计算机科学家一样思考python第2版.pdf ?? ??? ?备注:自己找一本精读,其他辅助阅读,会有不一样的效果.?? ? 2.数学:?? ??? ?同济高等数学 第六版 上册.pdf?? ?