摘要:在一些基础机器学习的技巧的帮助下,我们开始有了一个渐渐丰富的工具箱。基于神经网络的深度学习借用框架,学习解决自己想要解决的问题
step 1:搞定python基础
google两天python实训课程(视频)
https://www.youtube.com/watch...
课程1(Tom Mitchell Machine Learning Lectures):http://www.cs.cmu.edu/~ninamf...
课程2(Andrew Ng’s Machine Learning course):https://www.coursera.org/lear...
课程3(课程2的笔记):http://www.holehouse.org/mlcl...
numpy, scipy,matplotlib,scikit-learn,pandas
scipy课程:http://www.scipy-lectures.org/
pandas入门:http://pandas.pydata.org/pand...
对于 scikit-learn 的整体介绍,它是 Python 最常用的通用机器学习库,完成以下网站内容的学习:
1:https://github.com/justmarkha...
2:http://nbviewer.jupyter.org/g...
1:k-means 聚类
2:决策树 (分类)
3:连续数字变量的预测
4:回归解决分类问题
1:Support Vector Machines
2:随机森林,一种集成分类器
3:降维是一种减少问题涉及的变量数目的方法( Dimensionality Reduction )
小结:
最常用最知名的机器学习算法( knn 最近邻,k-means 聚类,支持向量机),了解了一种强有力的集成方法(随机森林),涉及了一些其他机器学习支持方案(降维,模型验证技巧)。在一些基础机器学习的技巧的帮助下,我们开始有了一个渐渐丰富的工具箱。
http://neuralnetworksanddeepl...
借用Caffee框架,学习解决自己想要解决的问题
https://github.com/google
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/18235.html
摘要:在时间线排序算法中引入深度学习基于早期的图文识别技术的成熟,深度学习已经成为了如今许多技术公司一个必备的技术点了。 写在前面: 翻译这篇文章,是看到后想起之前也试图给SF 优化时间线(已经上线了有好几个月了),相比现在的twitter 确实很简陋。而且也没有把时间线放在醒目位置。事实上,SF 的时间线在我加入之前已经存在很久了,包括上次的优化都在讨论要不要直接提出来作为首页。工具化 ...
摘要:毕竟目前的技术能力要求更新迭代如此之快,又怎么能责怪他们呢以下就是我的十年职业生涯回顾那些有趣或者命悬一线般恐怖的经历,而最终为什么我还呆在技术公司还在奋斗着。同时也在继续研究机器学习远离了东京的地方。即到目前为止的得分而言是全部平等的。 写在前面: 我经过了一场很不寻常的月份,从十月中旬到现在未来。上面一句话可以作为一句碎碎念,但想来和这便翻译的文章有些许异同,便就自私地加上去了。...
摘要:如今在机器学习中突出的人工神经网络最初是受神经科学的启发。虽然此后神经科学在机器学习继续发挥作用,但许多主要的发展都是以有效优化的数学为基础,而不是神经科学的发现。 开始之前看一张有趣的图 - 大脑遗传地图:Figure 0. The Genetic Geography of the Brain - Allen Brain Atlas成年人大脑结构上的基因使用模式是高度定型和可再现的。 Fi...
阅读 2012·2021-11-25 09:43
阅读 1021·2021-11-23 09:51
阅读 3282·2021-11-23 09:51
阅读 3433·2021-11-22 09:34
阅读 2229·2021-11-15 11:37
阅读 1230·2021-10-09 09:43
阅读 3534·2021-09-03 10:29
阅读 1967·2019-08-30 15:53