随笔分类 - AI人工智能

TensorFlow 2.0 深度学习实战 —— 详细介绍损失函数、优化器、激活函数、多层感知机的实现原理
摘要:本文主要介绍了 MSE、MAE、CEE 、Hinge、Huber 等 15 个常用损失函数的计算方式和使用场景,讲解 SGD、AdaGrad、Adam、RMSProp 4类优化器的公式原理,对阶跃激活函数、Sigmoid 激活函数、ReLU激活函数、Leaky ReLU 激活函数、Tanh 激活函数、Softmax激活函数等进行分析。通过分类与回归的使用实例对 MLP 多层感知器的使用进行介绍,对比 Tensorflow 1.x 与 Tensorflow 2.x 在应用上区别。最后,讲解如何使用 dropout 正则化对复杂类型的数据集进行优化处理。 阅读全文

posted @ 2021-09-01 11:13 风尘浪子 阅读(501) 评论(0) 推荐(0) 编辑

Python 机器学习实战 —— 无监督学习(下)
摘要:主要介绍 KMeans、GMM 、Agglomerative 、DBSCAN 等模型的使用,KMeans 是最常用最简单的模型,它尝试根据 n_clusters 设置找到代表数据区域的簇中心。而 GMM 可以看成是升级版的 KMeans ,它会改 KMeans 模型簇边界的计算方式,把圆形改成椭圆形,让数据边界更明显。Agglomerative 则更类似于树模型,使用近邻合并的模型,把相近的数据点合并为簇。DBSCAN 是更智能化的模型,通过数据点的聚集程度判断簇中心,在没有设置固定 n_clusters 的情况下分配出符合实际情况的簇。 阅读全文

posted @ 2021-08-10 11:36 风尘浪子 阅读(443) 评论(0) 推荐(1) 编辑

Python 机器学习实战 —— 无监督学习(上)
摘要:本章主要介绍了最常见的 PCA 主成分分析、NMF 非负矩阵分解等无监督模型,举例说明使用使用非监督模型对多维度特征数据集进行降维的意义及实用方法。对 MDS 多维标度法、LLE 局部线性嵌入法、Isomap 保距映射法、t-SNE 分布邻域嵌入算法等 ML 流形学习模型的基础使用方法进行讲解,分析各个流形学习的区别,讲解如何把一个低维度流形数据嵌入到一个高维度空间来描述数据集,通过转换找到的数据规律。 阅读全文

posted @ 2021-07-28 17:59 风尘浪子 阅读(598) 评论(2) 推荐(0) 编辑

Python 机器学习实战 —— 监督学习(下)
摘要:本文主要介绍支持向量机、k近邻、朴素贝叶斯分类 、决策树、决策树集成等模型的应用。讲解了支持向量机 SVM 线性与非线性模型的适用环境,并对核函数技巧作出深入的分析,对线性 Linear 核函数、多项式 Poly 核函数,高斯 RBF 核函数进行了对比。讲述了 K 近邻的使用方法。对高斯朴素贝叶斯分类器(Gaussian naive Bayes)、多项式朴素贝叶斯分类器(Multinomial naive Bayes)进行了不同的介绍。最后对决策树(DecisionTree)、随机森林(RandomForest)、梯度提升回归器(GradientBoosting)进行分析。 阅读全文

posted @ 2021-06-23 17:08 风尘浪子 阅读(378) 评论(0) 推荐(0) 编辑

Python 机器学习实战 —— 监督学习(上)
摘要:本文主要讲述了机械学习的相关概念与基础知识,监督学习的主要流程。对损失函数进行了基础的介绍,并对常用的均方误差与递度下降法的计算过程进行演示。对常用的 LogisticRegression , LinearSVC、SGDClassifier、 LinearRegression、Ridge、Lasso 、SGDRegressor 等线性模型进行了介绍。最后对非线性的 PolynomialFeatures 多项式转换器进行介绍,讲解管道 Pipe 的基本用法。 阅读全文

posted @ 2021-06-17 10:48 风尘浪子 阅读(714) 评论(2) 推荐(2) 编辑

导航