腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

iOSDevLog

专栏作者

305

文章

502145

阅读量

54

订阅数

Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow 第二版

https 机器学习神经网络深度学习人工智能

[https://get.oreilly.com/ind_hands-on-machine-learning_confirm.html](https://links.jianshu.com/go?to

2019-11-05

1.1K0

“达观杯”文本分类挑战赛新手入门代码

机器学习神经网络深度学习人工智能编程算法

**建立模型通过长文本数据正文(article)，预测文本对应的类别(class) **

2019-06-21

1.1K0

scikit-learn 估计器接口

numpy scikit-learn 机器学习神经网络深度学习

scikit-learn 中的所有算法——无论是预处理、监督学习还是无监督学习算法——都被实现为类。这些类在 scikit-learn 中叫作估计器(estimator)。

2019-06-19

7440

《统计学习方法》笔记-统计学习方法概论-1

机器学习强化学习神经网络深度学习人工智能

统计学习（statistical learning）是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科。

2019-05-31

4940

机器学习的数学基础

机器学习基础数学

向量空间一组基中的向量如果两两正交，就称为正交基；若正交基中每个向量都是单位向量，就称其为规范正交基。

2019-05-30

1.2K0

Scikit-learn 基础

编程算法 scikit-learn 机器学习监督学习无监督学习

Scikit-learn 是开源的 Python 库，通过统一的界面实现机器学习、预处理、交叉验证及可视化算法。

2019-05-29

7840

机器学习系统简介

强化学习机器学习监督学习无监督学习神经网络

以下段落旨在更详细地介绍 ML 系统如何呈现自身以及当今与现实世界中的应用程序开发相关的主要挑战。

2019-05-15

6880

第4章：K 近邻分类器

python 编程算法机器学习

作者：Savan Patel 时间：2017 年 5 月 17 日原文：https://medium.com/machine-learning-101/k-nearest-neighbors-c

2019-05-08

7500

第3章：决策树分类器 - 编码

决策树机器学习神经网络深度学习人工智能

作者：Savan Patel 时间：2017年5月14日原文：https://medium.com/machine-learning-101/chapter-3-decision-tree-classifier-coding-ae7df4284e99

2019-05-07

6120

第3章：决策树分类器 - 理论

决策树机器学习神经网络深度学习人工智能

作者：Savan Patel 时间：2017年5月11日原文：原文：https://medium.com/machine-learning-101/chapter-3-decision-trees-theory-e7398adac567

2019-05-05

9520

第2章：SVM（支持向量机） - 编码

作者：Savan Patel 时间：2017年5月5日原文：https://medium.com/machine-learning-101/chapter-2-svm-support-vector-machine-coding-edd8f1cf8f2d

2019-04-23

4670

第0章：什么是机器学习？

监督学习机器学习神经网络深度学习人工智能

原文：https://medium.com/machine-learning-101/chapter-0-what-is-machine-learning-ad136361c618

2019-04-23

3930

第2章：SVM（支持向量机） - 理论

机器学习神经网络深度学习人工智能

作者：Savan Patel 时间：2017年5月3日原文：https://medium.com/machine-learning-101/chapter-2-svm-support-vector-machine-theory-f0812effc72

2019-04-23

7420

第1章：监督学习和朴素贝叶斯分类 - 第2部分（编码）

机器学习神经网络深度学习人工智能

注意：如果你没有经历过朴素贝叶斯理论的第一部分，我建议你仔细阅读。（4 分钟阅读）这里。

2019-04-22

5680

第1章：监督学习和朴素贝叶斯分类 - 第1部分（理论）

机器学习神经网络深度学习人工智能 python

欢迎来到监督学习的基石。我们首先讨论一个小方案，它将构成未来讨论的基础。接下来，我们将讨论关于后验概率的一些数学，也称为贝叶斯定理。这是朴素贝叶斯分类器的核心部分。最后，我们将探索 python 的 sklearn 库，并在 Python 中编写一个关于 Naive Bayes Classifier 的小段代码，以解决我们在开始时讨论的问题。

2019-04-22

4370

深度学习-最新论文解释

机器学习深度学习人工智能图像处理腾讯云测试服务

创建可靠且实时的 3D 姿势估计器的当前困难包括这样的事实：几乎没有训练数据，以及必须考虑遮挡的事实。例如，如果特定身体部位被阻挡而不能看到，则姿势估计器仍必须能够从身体其余部分的位置推断出其位置。

2019-04-18

7620

ARKit+Swift 版本的机器学习算法 k-NN

swift ios 编程算法机器学习神经网络

在模式识别领域中，最近邻居法（KNN算法，又译K-近邻算法）是一种用于分类和回归的非参数统计方法[1]。在这两种情况下，输入包含特征空间（Feature Space）中的k个最接近的训练样本。

2019-04-18

7150

机器学习算法的开源可视化工具: MLDemos

windows 强化学习 opencv 机器学习

MLDemos 是一种用于机器学习算法的开源可视化工具，用于帮助研究和理解多个算法如何运作以及它们的参数如何影响和修改分类，回归，聚类，降维，动态系统和强化学习(奖励最大化)等问题的结果。

2019-04-17

2K0

机器学习问题框架的循序渐进指南

机器学习神经网络深度学习人工智能

在过去的四年里（在谷歌，以及之前的Comet Labs），我有机会与世界各地的数百家初创公司和公司合作，帮助他们定义他们的ML战略，从问题框架到结束 - 到 -最终实施在生产中运行的ML模型。我们共同致力于部署模型以提高运营效率（例如内部工具，DevOps等），摆脱瓶颈（例如，为客户服务团队提供“神奇的力量”），开发基于ML的产品功能，并构建新产品一起。

2019-04-09

4340

Python3 机器学习简明教程

编程算法 scikit-learn numpy 机器学习线性回归

1 机器学习介绍 1.1 什么是机器学习 1.2 机器学习的应用 1.3 机器学习基本流程与工作环节 1.3.1 数据采集与标记 1.3.2 数据清洗 1.3.3 特征选择 1.3.4 模型选择 1.3.5 训练和测试 1.3.6 模型使用 1.4 机器学习算法一览 2 Python 3 机器学习软件包 2.1 多种机器学习编程语言比较 2.2 开发环境 Anaconda 搭建 2.2.1 Windows 2.2.2 macOS 2.2.3 Linux 2.3 Jupyter Notebook 介绍 2.4 Spyder 介绍 2.5 Numpy 介绍 2.5.1 Numpy 数组 2.5.2 Numpy 运算 2.5.3 Numpy Cheat Sheet 2.6 Pandas 介绍 2.6.1 十分钟入门 pandas 2.6.2 Pandas Cheat Sheet 2.7 Matplotilb 介绍 2.7.1 Pyplot 教程 2.7.2 plots 示例 2.7.3 Matplotilb Cheat Sheet 2.8 scikit-learn 介绍 2.8.1 scikit-learn 教程 2.8.2 scikit-learn 接口 2.8.3 scikit-learn Cheat Sheet 2.9 数据预处理 2.9.1 导入数据集 2.9.2 缺失数据 2.9.3 分类数据 2.9.4 数据划分 2.9.5 特征缩放 2.9.6 数据预处理模板 3 回归 3.1 简单线性回归 3.1.1 算法原理 3.1.2 预测函数 3.1.3 成本函数 3.1.4 回归模板 3.2 多元线性回归 3.3 多项式回归 3.3.1 案例：预测员工薪水 3.4 正则化 3.4.1 岭回归 3.4.2 Lasso 回归 3.5 评估回归模型的表现 3.5.1 R平方 3.5.2 广义R平方 3.5.3 回归模型性能评价及选择 3.5.4 回归模型系数的含义 4 分类 4.1 逻辑回归 4.1.1 算法原理 4.1.2 多元分类 4.1.3 分类代码模板 4.1.4 分类模板 4.2 k-近邻 4.2.1 算法原理 4.2.2 变种 4.3 支持向量机 4.3.1 算法原理 4.3.2 二分类线性可分 4.3.3 二分类线性不可分支持 4.3.4 多分类支持向量机 4.3.5 Kernel SVM - 原理 4.3.6 高维投射 4.3.7 核技巧 4.3.8 核函数的类型 4.4 决策树 4.4.1 算法原理 4.4.2 剪枝与控制过拟合 4.4.3 信息增益 4.4.4 最大熵与EM算法 5 聚类 5.1 扁平聚类 5.1.1 k 均值 5.1.2 k-medoids 5.2 层次聚类 5.2.1 Single-Linkage 5.2.2 Complete-Linkage 6 关联规则 6.1 关联规则学习 6.2 先验算法Apriori 6.3 FP Growth 7 降维 7.1 PCA(主成分分析) 7.2 核 PCA 7.3 等距特征映射IsoMap 8 强化学习 8.1 置信区间上界算法 8.1.1 多臂老虎机问题

2019-02-20

8370

点击加载更多

社区活动

RAG七天入门训练营

鹅厂大牛手把手带你上手实战

Python精品学习库

代码在线跑，知识轻松学

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

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