Sang相藩

通过组装已经实现的层来构建神经网络。 神经网络学习的步骤如下所示： 1，从训练数据中随机选择一部分数据。 2，计算损失函数关于各个权重参数的梯度。 3，将权重参数沿梯度方向进行微小的更新。 4，重复步

在四中，采取了数值微分的方式求损失函数关于权重参数的梯度，但是比较耗时间，这一节讲一个能够高效计算权重参数的梯度的方法——误差反向传播法。 一，计算图 计算图指的就是将计算过程用图形表示出来。 计算图

在之前神经网络的学习基础上，来试着解决实际问题。 进行手写数字图像的分类。假设学习已经全部结束，我们使用学习到的参数，先实现神经网络的“推理处理”。这个推理处理也称为神经网络的前向传播。 一，MNIS

在之前的感知机中，虽然它有着理论上能表示很多复杂函数的可能，但是设定权重等都是人工进行的。 而神经网络的出现就是为了解决这个问题，神经网络是可以自动地从数据中学习到合适的权重参数。 一，从感知机到神经

感知机是作为神经网络的起源算法，因此，学习感知机的构造也是很有帮助的。 一，感知机是什么 感知机接收多个输入信号，输出一个信号。信号只有0和1两种取值。 如下是一个接收两个输入信号的感知机 图中，$x

在 sklearn 库中与决策树相关的算法都存放在sklearn.tree模块 决策树实现步骤 确定纯度指标 确定纯度指标，用它来衡量不同“特征属性”所得到的纯度，并选取使得纯度取得最大值的“特征属性

一，if-else原理 决策树算法是以if-else来形成的，if-else它的用法就是：if 后跟判断条件，如果判断为真，也即满足条件，就执行 if 下的代码段，否则执行 else 下的代码段 例如

一，贝叶斯公式 在统计学中，有两个较大的分支，一个是频率，一个是贝叶斯。贝叶斯公式如下所示： P(A)表示A出现的概率； P(B|A)表示A发生的条件下，发生B的概率，也被称为似然度 P(A|B)表示

在Sklearn中有neighbors模块可以使用KNN算法。使用Sklearn 自带的“红酒数据集”进行 KNN 算法分类预测。