腾讯云
开发者社区
文档
建议反馈
控制台
登录/注册
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
首页
学习
活动
专区
工具
TVP
最新优惠活动
返回腾讯云官网
深度学习之tensorflow实战篇
专栏成员
举报
603
文章
1471773
阅读量
84
订阅数
订阅专栏
申请加入专栏
全部文章(603)
python(167)
编程算法(129)
数据库(83)
sql(66)
r 语言(44)
mongodb(33)
云数据库 SQL Server(30)
其他(29)
http(25)
机器学习(24)
linux(21)
人工智能(21)
神经网络(19)
html(18)
深度学习(18)
hive(18)
https(18)
java(17)
大数据(17)
numpy(15)
云数据库 MongoDB(14)
windows(14)
NLP 服务(13)
django(13)
网络安全(12)
hadoop(12)
数据结构(12)
tensorflow(11)
github(11)
决策树(11)
ide(10)
git(10)
数据分析(10)
数据处理(10)
javascript(9)
bash(9)
json(8)
开源(8)
数据挖掘(7)
node.js(7)
ubuntu(7)
线性回归(7)
go(6)
bash 指令(6)
shell(6)
anaconda(6)
xml(5)
windows server(5)
mapreduce(5)
爬虫(5)
spark(5)
正则表达式(5)
云数据库 Redis(4)
存储(4)
text(4)
c 语言(3)
c++(3)
oracle(3)
nosql(3)
ruby on rails(3)
api(3)
jar(3)
中文分词(3)
nginx(3)
腾讯云测试服务(3)
分布式(3)
html5(3)
ssh(3)
sql server(3)
监督学习(3)
推荐系统(3)
csv(3)
data(3)
label(3)
list(3)
sort(3)
txt(3)
博客(3)
字符串(3)
区块链(2)
php(2)
c#(2)
css(2)
access(2)
打包(2)
unix(2)
apt-get(2)
批量计算(2)
文件存储(2)
访问管理(2)
云推荐引擎(2)
网站(2)
xslt & xpath(2)
jdk(2)
gui(2)
ftp(2)
grep(2)
pytorch(2)
db(2)
dot(2)
edge(2)
file(2)
graph(2)
header(2)
igraph(2)
integer(2)
key(2)
max(2)
min(2)
plot(2)
poi(2)
sample(2)
scale(2)
size(2)
stdout(2)
sum(2)
time(2)
集合(2)
开发(2)
日志(2)
调试(2)
终端(2)
费用中心(1)
官方文档(1)
ios(1)
.net(1)
jsp(1)
scala(1)
单片机(1)
sqlalchemy(1)
eclipse(1)
matlab(1)
搜索引擎(1)
centos(1)
日志服务(1)
命令行工具(1)
NAT 网关(1)
数据加密服务(1)
电商(1)
企业(1)
容器(1)
缓存(1)
运维(1)
压力测试(1)
数据迁移(1)
jvm(1)
yum(1)
面向对象编程(1)
hashmap(1)
keras(1)
二叉树(1)
tcp/ip(1)
单元测试(1)
kernel(1)
scikit-learn(1)
socket编程(1)
kerberos(1)
系统架构(1)
nat(1)
kafka(1)
特征工程(1)
聚类算法(1)
unicode(1)
腾讯云图数据可视化(1)
数据库管理(1)
add(1)
app(1)
apple(1)
apply(1)
axis(1)
bayesian(1)
bi(1)
bit(1)
blob(1)
boolean(1)
break(1)
browser(1)
center(1)
character(1)
cmd(1)
code(1)
codec(1)
configuration(1)
copy(1)
count(1)
counter(1)
criteria(1)
database(1)
default(1)
desktop(1)
distance(1)
distribution(1)
driver(1)
encode(1)
encoding(1)
error(1)
excel(1)
exists(1)
flags(1)
flatten(1)
frame(1)
frequency(1)
gaussian(1)
ggplot2(1)
global(1)
handle(1)
hash(1)
input(1)
instance(1)
int(1)
lapply(1)
limit(1)
line(1)
map(1)
median(1)
multiprocessing(1)
na(1)
normalization(1)
pandas(1)
path(1)
pool(1)
predict(1)
probability(1)
proc(1)
ps(1)
pycharm(1)
random(1)
reduce(1)
require(1)
root(1)
sampling(1)
scanf(1)
server(1)
slice(1)
static(1)
sudo(1)
table(1)
tar(1)
tensor(1)
transpose(1)
typeerror(1)
union(1)
vector(1)
version(1)
view(1)
width(1)
word(1)
word2vec(1)
xgboost(1)
zip(1)
笔记(1)
编程(1)
遍历(1)
编码(1)
程序(1)
登录(1)
递归(1)
函数(1)
加密(1)
解决方案(1)
快捷键(1)
连接(1)
数据(1)
数据中心(1)
数组(1)
索引(1)
虚拟机(1)
压缩(1)
优化(1)
语法(1)
原理(1)
搜索文章
搜索
搜索
关闭
关于决策树ID3算法,熵,信息增益率的权威解释,稍后奉上python代码
决策树
机器学习
神经网络
深度学习
人工智能
决策树分类算法概述 决策树算法是从数据的属性(或者特征)出发,以属性作为基础,划分不同的类。 看了本书,叫知识发现,内容很好,果断扫描 这里写图片描述
学到老
2019-02-14
921
0
贝叶斯篇:贝叶斯的概率推到,朴素贝叶斯分类器及Python实现
机器学习
神经网络
深度学习
人工智能
首先,理解这两个公式的前提是理解条件概率,因此先复习条件概率。 P(A|B)=P(AB)P(B)P(A|B)=P(AB)P(B)P(A|B) ={ P(AB)\over P(B)}
学到老
2019-02-14
662
0
RNN与LSTM之间的介绍和公式梳理
深度学习
机器学习
人工智能
神经网络
最近在整理tensorflow,经常用到RNN与lSTM,故整理如下: -RNN:循环神经网络(Recurrent Neural Networks) -LSTM:长短时记忆网络(Long Short-Term Memory)
学到老
2019-02-14
1.6K
0
SPSS Modeler 介绍决策树
决策树
机器学习
神经网络
深度学习
人工智能
本文将通过 SPSS Modeler 介绍决策树 (Decision tree) 演算法于银行行销领域的应用实例。通过使用网路公开电销资料建立不同决策树模型,分析、解释并讨论模型结构,您将会了解各种决策树演算法及其不同之处,针对不同资料特征选择合适的决策树模型。
学到老
2019-02-14
2K
0
sigmoid和tanh求导的最终结果,以及Sigmoid函数与损失函数求导
神经网络
从上图,我们得到了这样的几个信息,指数函数过(0,1)点,单调递增/递减,定义域为(−∞,+∞),值域为(0,+∞),再来我们看一下sigmoid函数的图像:
学到老
2019-02-14
1.3K
0
R语言 判别分析
机器学习
神经网络
深度学习
人工智能
编程算法
#贝叶斯判别 贝叶斯判别式假定对研究对象已有一定的认识 这种认识常用先验概率来描述
学到老
2019-02-14
673
0
Rosenblatt感知器的结构 与基本原理
机器学习
神经网络
深度学习
人工智能
在学习了机器学习十大算法之后,我决定将目光投向神经网络,从而攀登深度学习的高峰。这条险路的第一个拦路虎就是Rosenblatt感知器。为什么这么说呢?不仅是因为它开拓性的贡献——感知器是第一个从算法上完整描述的神经网络,而Rosenblatt感知器是感知器作为监督学习的第一个模型。还因为学习Rosenblatt感知器能够帮助了解神经元的结构、信息流的传递以及知识的学习和存储,从而打开看待问题的全新视角——模拟人脑解决问题。当然,仅仅如此的话,它只能说是可口的羔羊,谈不上拦路的猛虎。自然是在理解这一问题时遇到了难处:1)Rosenblatt感知器为什么能收敛?《神经网络与机器学习》中的证明并不理想,它忽略了学习率和初始权重向量的影响;2)学习率和初始权重向量对迭代次数的影响是什么?3)它的更新过程与梯度下降法如此相似,不禁想问两者之间有何联系?4)线性可分两类问题通常在寻找一个分割超平面,Rosenblatt感知器也不例外,能否将这个超平面可视化,从而帮助理解?看!这真的是一个威风凛凛的猛虎,但它吓不倒人。下面开始我们的打虎过程。
学到老
2019-02-13
1.3K
0
损失函数是机器学习里最基础|:损失函数的作用
机器学习
神经网络
深度学习
人工智能
前言:损失函数是机器学习里最基础也是最为关键的一个要素,通过对损失函数的定义、优化,就可以衍生到我们现在常用的机器学习等算法中
学到老
2019-02-13
1.7K
0
随机森林,random forest
决策树
机器学习
神经网络
深度学习
人工智能
模型组合(比如说有Boosting,Bagging等)与决策树相关的算法比较多,这些算法最终的结果是生成N(可能会有几百棵以上)棵树,这样可以大大的减少单决策树带来的毛病,有点类似于三个臭皮匠等于一个诸葛亮的做法,虽然这几百棵决策树中的每一棵都很简单(相对于C4.5这种单决策树来说),但是他们组合起来确是很强大。
学到老
2019-02-13
589
0
BP神经网络:图片的分割和规范化:《Python》系列。
python
神经网络
腾讯云测试服务
,本文属于转载博客,感谢原创:BP神经网络:图片的分割和规范化:《Python》系列。
学到老
2019-02-13
1.1K
0
聚类方法的区别解读:各种聚类分析呀呀呀
编程算法
神经网络
数据库
sql
k 均值聚类法 快速高效,特别是大量数据时,准确性高一些,但是需要你自己指定聚类的类别数量 系统聚类法则是系统自己根据数据之间的距离来自动列出类别,所以通过系统聚类法 得出一个树状图,至于聚类的类别 需要自己根据树状图以及经验来确定
学到老
2019-02-13
1.8K
0
深度学习入门(一),从Keras开始
keras
神经网络
tensorflow
api
https
安装环境:Anaconda(python3.6) 首先安装:tensorflow.(通过navigator,可参见直通车) 检验:import tensorflow as tf Keras在anaconda下没有原装的安装包,只有使用pip安装方式,安装Keras,pip install Keras
学到老
2019-01-25
2.2K
0
GBDT分解形式理解,整理中2018-5-10
决策树
机器学习
神经网络
深度学习
人工智能
GBDT(Gradient Boosting Decision Tree) 又叫 MART(Multiple Additive Regression Tree),是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结论累加起来做最终答案。它在被提出之初就和SVM一起被认为是泛化能力(generalization)较强的算法。近些年更因为被用于搜索排序的机器学习模型而引起大家关注。 GBDT的思想可以用一个通俗的例子解释,假如有个人30岁,我们首先用20岁去拟合,发现损失有10岁,这时我们用6岁去拟合剩下的损失,发现差距还有4岁,第三轮我们用3岁拟合剩下的差距,差距就只有一岁了。如果我们的迭代轮数还没有完,可以继续迭代下面,每一轮迭代,拟合的岁数误差都会减小。
学到老
2019-01-25
331
0
随机森林(Random Forest) 参数解读
决策树
机器学习
神经网络
深度学习
人工智能
随机森林(Random Forest)基本原理参考:https://blog.csdn.net/hhtnan/article/details/54580994
学到老
2019-01-25
4.2K
0
keras之数据预处理
机器学习
神经网络
深度学习
人工智能
numpy
from keras.preprocessing.sequence import pad_sequences
学到老
2019-01-25
1.9K
0
命名实体标注基于keras的BiLstm与CRF与算法封装
批量计算
机器学习
神经网络
深度学习
人工智能
基本概述 众所周知,通过Bilstm已经可以实现分词或命名实体标注了,同样地单独的CRF也可以很好的实现。既然LSTM都已经可以预测了,为啥要搞一个LSTM+CRF的hybrid model? 因为单
学到老
2019-01-25
2.6K
0
使用Keras进行时间序列预测回归问题的LSTM实现
机器学习
神经网络
深度学习
人工智能
数据 数据来自互联网,这些数据用于预测航空公司的人数,我们使用LSTM网络来解决这个问题 关于此处模型构建,只对keras部分代码做重点的介绍
学到老
2019-01-25
6.7K
0
自然语言处理之分词、命名主体识别、词性、语法分析-stanfordcorenlp-NER(二)
机器学习
神经网络
深度学习
人工智能
在前面我们介绍了Stanford CoreNLP, 自然语言处理之命名实体识别-tanfordcorenlp-NER(一)
学到老
2019-01-25
8.2K
0
神经网络中的学习速率如何理解
神经网络
线性回归
编程算法
特征缩放 实际当我们在计算线性回归模型的时候,会发现特征变量x,不同维度之间的取值范围差异很大。这就造成了我们在使用梯度下降算法的时候,由于维度之间的差异使得Jθ的值收敛的很慢。 我们还是以房价预测为
学到老
2018-03-16
832
0
没有更多了
社区活动
【纪录片】中国数据库前世今生
穿越半个世纪,探寻中国数据库50年的发展历程
立即查看
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