腾讯云
开发者社区
文档
建议反馈
控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
搜索
搜索
关闭
发布
登录/注册
首页
学习
活动
专区
工具
TVP
最新优惠活动
返回腾讯云官网
机器学习入门
专栏作者
举报
345
文章
195617
阅读量
53
订阅数
订阅专栏
申请加入专栏
全部文章（345）
编程算法（161）
output（28）
input（24）
java（23）
node.js（22）
http（16）
python（15）
javascript（14）
机器学习（13）
github（12）
数据结构（11）
游戏（10）
神经网络（9）
深度学习（9）
fork（9）
人工智能（8）
leetcode（8）
range（8）
linux（7）
网络安全（6）
dp（6）
grid（6）
sum（6）
time（6）
html（5）
sql（5）
网站（5）
each（5）
numbers（5）
对象存储（4）
c++（4）
打包（4）
git（4）
element（4）
find（4）
hash（4）
integer（4）
list（4）
max（4）
程序（4）
css（3）
单片机（3）
unix（3）
海外加速（3）
开源（3）
决策树（3）
tcp/ip（3）
学习方法（3）
distinct（3）
network（3）
return（3）
size（3）
tree（3）
遍历（3）
递归（3）
其他（2）
tensorflow（2）
apache（2）
文件存储（2）
express（2）
容器（2）
serverless（2）
kernel（2）
数据分析（2）
https（2）
ghost（2）
binary（2）
class（2）
count（2）
dfs（2）
double（2）
event（2）
events（2）
for循环（2）
intervals（2）
lowercase（2）
position（2）
set（2）
space（2）
stock（2）
string（2）
target（2）
字符串（2）
数据挖掘（1）
c 语言（1）
go（1）
r 语言（1）
汇编语言（1）
makefile（1）
数据库（1）
ide（1）
api（1）
腾讯云测试服务（1）
vr 视频解决方案（1）
缓存（1）
hashmap（1）
二叉树（1）
gcc（1）
iis（1）
大数据（1）
安全（1）
notepad ++（1）
聚类算法（1）
分类算法（1）
absolute（1）
alpha（1）
area（1）
bi（1）
bit（1）
block（1）
break（1）
cell（1）
char（1）
contains（1）
copy（1）
difference（1）
digits（1）
distance（1）
division（1）
equals（1）
explode（1）
factorial（1）
factory（1）
form（1）
frequency（1）
friend（1）
function（1）
get（1）
height（1）
int（1）
intersection（1）
kill（1）
marked（1）
match（1）
matrix（1）
maze（1）
median（1）
meteor（1）
min（1）
minimum（1）
modulo（1）
paint（1）
partial（1）
path（1）
pivot（1）
point（1）
probability（1）
process（1）
rectangles（1）
schedule（1）
self（1）
share（1）
sign（1）
sort（1）
state（1）
status（1）
substring（1）
symbols（1）
table（1）
tiles（1）
transactions（1）
width（1）
wireless（1）
编码（1）
地图（1）
动态规划（1）
函数（1）
接口（1）
可视化（1）
模型（1）
排序（1）
搜索（1）
算法（1）
搜索文章
搜索
搜索
关闭
条件随机场学习笔记
编程算法
机器学习
神经网络
深度学习
人工智能
这是在《统计学习方法》中学习到的最后一个方法了，不像其他统计方法，学完精气神超足，都能让我继续振奋好几日。然学完该方法，我陷入了沉思与迷茫。首先，对条件随机场的【提出】和【应用场景】一片混沌，其次，说说它的思想吧，无非加入了【空间属性】，相比最大熵模型，多加入了【边特征函数】，而随机变量【X，Y】的联合概率分布的表达式并没有发生本质变化，所以说，它还是一个我认为的【概率模型】。既然是【概率模型】，那么它依旧可以用【对数似然函数】进行迭代求解，事实也是这样做的。但我所不解的是为何概率表达式清一色的表示为exp和规范化因子呢？难道仅仅因为exp在求导和概率计算中有很好的性质么？
用户1147447
2019-05-26
642
0
提升方法学习笔记
编程算法
学习方法
机器学习
神经网络
提升方法是我在学习机器学习算法后最摸不着头脑的一个算法。看似它的思想很简单【三个臭皮匠，顶个诸葛亮】，但至于公式为什么是这样，权值为什么这么更新，实在令我不解。无奈翻阅了下adaboost的一篇论文，找到了一些线索，然数学水平不够，当论及PAC计算机学习理论时，无从下手。其中涉及到的内容相当多，如拓扑空间，测度理论等等，但秉承学习总结的一贯作风，我还是简单总结下，仅仅作为《统计学习方法》的学习笔记。
用户1147447
2019-05-26
479
0
初识beta分布
机器学习
神经网络
深度学习
人工智能
最近几日一直在研究统计学的各种分布，看的云里雾里。这次主要总结几个问题，第一，Beta分布的前生今世，它是用来干嘛？第二，Beta分布和二项式分布有什么关系。这期间参考的资料有很多：
用户1147447
2019-05-26
2.6K
0
逻辑斯谛回归及其物理含义
编程算法
机器学习
神经网络
深度学习
人工智能
先来看看书上逻辑斯谛回归模型的公式吧，再了解公式的情况下，我们再来谈谈它实际的物理含义。吼吼，它貌似蛮有内涵的，也是从生物学上挖过来的一条曲线吧。
用户1147447
2019-05-26
819
0
决策树之剪枝原理与CART算法
决策树
机器学习
神经网络
深度学习
人工智能
继续关于决策树的内容，本篇文章主要学习了决策树的剪枝理论和基于二叉树的CART算法。主要内容：
用户1147447
2019-05-26
2.9K
0
支持向量机学习笔记--原理篇（一）
学习方法
编程算法
机器学习
神经网络
深度学习
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u014688145/article/details/52906162
用户1147447
2019-05-26
493
0
朴素贝叶斯法学习笔记
神经网络
机器学习
深度学习
人工智能
分类算法
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u014688145/article/details/53190919
用户1147447
2019-05-26
608
0
决策树之理解ID3算法和C4.5算法
决策树
机器学习
神经网络
深度学习
人工智能
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u014688145/article/details/53212112
用户1147447
2019-05-26
1.4K
0
统计学习方法资源汇总
编程算法
http
决策树
机器学习
神经网络
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u014688145/article/details/60758291
用户1147447
2019-05-26
799
0
Softmax 识别手写数字
机器学习
tensorflow
编程算法
MNIST是一个非常简单的机器视觉数据集，如下图所示，它由几万张28像素x28像素的手写数字组成，这些图片只包含灰度值信息。我们的任务就是对这些手写数字的图片进行分类，转成0~9一共十类。
用户1147447
2019-05-26
2.2K
0
深度学习系列（2）：前向传播和后向传播算法
机器学习
深度学习
人工智能
深度学习系列（2）：前向传播和后向传播算法 前言 讲真，之前学吴恩达的机器学习课时，还手写实现过后向传播算法，但如今忘得也一干二净。总结两个原因：1. 理解不够透彻。2. 没有从问题的本质抓住后向传播的精髓。今天重温后向传播算法的推导，但重要的是比较前向传播和后向传播的优缺点，以及它们在神经网络中起到了什么不一般的作用，才让我们如此着迷。 反向传播的由来 反向传播由Hinton在1986年发明，该论文发表在nature上，高尚大的杂志啊。 Rumelhart, David E, G. E. Hinton,
用户1147447
2018-01-15
2.7K
3
PRML系列：1.2 Probability Theory
人工智能
机器学习
本文探讨了贝叶斯统计在机器学习中的重要性，通过对比频率学派和贝叶斯学派的方法，阐述了贝叶斯学派能够在处理不确定性问题时更加有效，同时通过高斯分布和贝叶斯定理来解释贝叶斯学派的方法。
用户1147447
2018-01-02
938
0
PRML系列：1.4 The Curse of Dimensionality
机器学习
随便扯扯 PRML例举了一个人工合成的数据集，这个数据集中表示一个管道中石油，水，天然气各自所占的比例。这三种物质在管道中的几何形状有三种不同的配饰，被称为“同质状”、“环状”和“薄片状”。 输入有1
用户1147447
2017-12-29
876
0
没有更多了
社区活动
腾讯技术创作狂欢月
“码”上创作 21 天，分 10000 元奖品池！
立即发文
Python精品学习库
代码在线跑，知识轻松学
立即查看
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客，速成社区影响力并领取好礼
立即体验
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
立即查看
领券
问题归档
专栏文章
快讯文章归档
关键词归档
开发者手册归档
开发者手册 Section 归档