首页
AI Coding
数据标注
NEW
沸点
课程
直播
活动
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
登录
注册
通俗易懂的机器学习
艾醒
创建于2022-03-20
订阅专栏
用最简单最通俗的方式理解并实现机器学习
等 5 人订阅
共16篇文章
创建于2022-03-20
订阅专栏
默认顺序
默认顺序
最早发布
最新发布
通俗易懂的机器学习——应用实例(广告营销用户点击预测分析)
通过一个实例了解机器学习各种算法的特点——根据海量广告投放的用户点击数据,通过机器学习构建预测模型预估用户的是否进行广告点击。
通俗易懂的机器学习——机器学习学习路线及知识汇总
机器学习的规划、以及学习总路线汇总,其中附上相关的代码、推导与解析,希望能够帮助大家快速上手机器学习。
通俗易懂的机器学习——python手动实现DBSCAN聚类算法(不依赖已有框架)
DBSCAN算法的基本原理,以及使用python对DBSCAN算法的手动实现,并对结果进行画图演示。
通俗易懂的机器学习——在Jetson nano(ubuntu)配置tensorflow
在jetson nano 上配置tensorflow依赖包安装过程、遇到的坑点、以及解决的方法汇总。
通俗易懂的机器学习——使用服务器训练模型详解
使用服务器训练模型全过程详解以及pycharm、xshell、xmanager软件的下载、配置及使用
通俗易懂的机器学习——sklearn集成学习代码实现
普通决策树与随机森林的对比说明集成学习的必要性并介绍使用投票器、bagging、Out of Bag-oob、随机森林、极端树、Ada Boosting、Gradient Boosting进行集成学习
通俗易懂的机器学习——协方差、奇异值分解、PCA降维代码实现
在前两篇关于降维的博客中我们已经讨论了协方差、奇异值、PCA分解法的原理以及公式推导,下面我们来进行协方差、奇异值分解和PCA的代码实现以及效果对比
通俗易懂的机器学习——梯度上升主成分分析数学原理推导及解释
梯度上升主成分分析是一个常用来进行降维、降噪的操作,它通过变换坐标轴(实际上是数据的映射)使得数据直接的方差最大,即更容易被划分
通俗易懂的机器学习——维度的诅咒(深入浅出表述机器学习降维的数学概念与实践)
降维,顾名思义就是将高维数据映射到低维数据。本文由一个例子引入,对于降维过程进行数学推导以及推导过程的解释。
通俗易懂的机器学习——交叉验证、KNN、贝叶斯分类、决策树基础知识补弱
本文主要介绍交叉验证的种类、实现方式以及效果;贝叶斯分类的公式推导以及应用场景;决策树在实现鸢尾花分类时的训练过程;通过对比KNN、贝叶斯以及决策树的异同进行基础知识补弱
通俗易懂的机器学习——多种分类以及模型评估
通过mnist示例,展现数据的加载和数据集的划分以及分层抽样;采用多种模型进行分类并使用交叉验证、精度、召回率、F1和ROC进行模型评估。最后简要介绍OvR和OvO的异同
通俗易懂的机器学习——k-means聚类算法及手动实现(无监督学习)
K-means的应用场景 客户细分、数据分析、降维、半监督学习、搜索引擎、分割图像 sklearn实现K-means 使用鸢尾花数据进行聚类 聚类结果 查看三个中心点 使用K-means进行图片分割
通俗易懂的机器学习——根据CART算法使用python构建决策树(效果和sklearn类似)
之前曾经实现过可以应用在离散取值区间的简易决策树,现在我们将仿照sklearn的实现效果写了一个取值范围可以是连续区间的通用决策树。
通俗易懂的机器学习——Python手动实现简易决策树
决策树是机器学习中一个常见的算法模型,本文将从一个简单的离散区间的分类问题分析决策树的建立过程,并使用python手动实现简易的决策树
通俗易懂的机器学习——筛选垃圾邮件(贝叶斯分类)
利用贝叶斯公式,我们可以在计算机上验证和测试垃圾邮件的字词统计,计算词语出现的概率。并根据的得出来的概率来判断一封新的邮件是垃圾邮件还是正常邮件。
通俗易懂的机器学习——端到端的机器学习项目(求加州住房价格中位数)
加州房价是最为典型的机器学习问题之一,本文将帮助你从零开始理解机器学习并建立自己的第一个机器学习任务。