LQ6H

摘要： ML–XOR问题感知器对线性可分或近似线性可分数据有很好的效果,但对于线性不可分数据的效果不理想.Minsky在1969年出版的中用详细的数学证明了感知器无法解决XOR(异或)分类问题.而我们要说的XOR问题正是线性不可分的一.基本的逻辑运算1.AND运算x... 阅读全文

摘要： DL之Example1–MNIST以MNIST数据集,用Tensorflow读取数据集中的数据,并建立一个简单的图像识别模型,同时介绍Tensorflow的几个核心概念一.MNIST数据集1.简介MNIST数据集主要有一些手写数字的图片和相应的标签组成,图片... 阅读全文

摘要： Python之ML–人工神经网络识别图像深度学习可以被看作是一组算法的集合,这些算法能够高效地进行多层人工神经网络训练主要知识点如下：理解多层神经网络训练用于图像分类的神经网络实现强大的反向传播算法调试已实现的神经网络一.人工神经网络对复杂函数建模1.单层神... 阅读全文

摘要： Python之ML–聚类分析使用监督学习来构建学习模型,其中训练数据都是事先已知预测结果的,即训练数据中已提供了数据的类标;在本节,我们将转而研究聚类分析,它是一个无监督学习(unsupervised learning),可以在事先不知道正确结果(即无类标信... 阅读全文

摘要： Python之ML–回归分析预测连续型目标变量监督学习的另一个分支：回归分析(regression analysis).回归模型(regression model)可用于连续型目标变量的预测分析主要知识点如下：数据集的探索与可视化实现线性回归模型的不同方法训... 阅读全文

摘要： Python之ML–情感分析深入研究自然语言处理(natual language processing,NLP)领域的一个分支–情感分析(sentiment analysis)主要知识点如下：清洗和准备数据基于文本文档构建特征向量训练机器学习模型用于区分电影... 阅读全文

摘要： Python之ML–模型评估与参数调优主要知识点如下：模型性能的无偏估计处理机器学习算法常见问题机器学习模型调优使用不同的性能指标评估预测模型一.基于流水线的工作流本节使用scikit-learn中的Pipline类.它使得我们可以拟合出包含任意多个处理步骤... 阅读全文

摘要： Python之ML–数据预处理机器学习算法最终学习结果的优劣取决于两个主要因素：数据的质量和数据中蕴含的有用信息的数量.因此,在将数据集应用于学习算法之前,对其进行检验及预处理是至关重要的主要知识点如下：数据集中缺少数据的删除和填充数据格式化模型格式化模型构... 阅读全文

摘要： Python之ML–机器学习分类算法介绍最早以算法方式描述的分类机器学习算法：感知器(perceptron)和自适应线性神经元(adaptive linear neuron).我们将使用python循序渐进地实现一个感知器,并且通过训练使其具备对鸢尾花数据集... 阅读全文

摘要： Python之ML–计算机学习数据的能力主要知识点：机器学习的一般概念机器学习方法和三种类型和基本术语构建机器学习系统所需的模块一.机器学习的三种不同方法介绍三种不同类型的机器学习方法：监督学习(supervised learning),无监督学习(unsu... 阅读全文