首页
学习
活动
专区
工具
TVP
发布

深度学习与python

公众号[深度学习与Python]文章同步更新
专栏作者
3760
文章
2363349
阅读量
44
订阅数
如何选择低代码平台:六个关键契合性考量
作者 | Arunkumar Arunachalam 译者 | 明知山 策划 | 丁晓昀 程序员和非程序员通常可以在低代码 / 无代码(LCNC)平台上通过拖放的方式构建应用程序,几乎不需要编码,可以一键部署,在传统的缓慢、昂贵和效率低下的开发和部署过程提供了另一条途径。 这些平台旨在加快这一过程,提供快速的“应用程序开发和部署平台即服务”。 照片来自Felix Mittermeier(Unsplash) LCNC 的发展状态 Nasscom 的一份报告指出,LCNC 可以减少 3 到 7
深度学习与Python
2023-02-28
2850
算法研习:决策树算法基本原理分析
决策树(Decision Trees,DT)是一中监督机器学习算法,该算法根据数据的特征进行逐层划分直到划分完所有的特征,这一过程类似于树叶生长过程。决策树算法可用于解决分类和回归问题,在实际数据分析中有着广泛的应用。下面我们从以下5个方面来分析一下决策树算法:
深度学习与Python
2019-07-10
1.5K0
你听说过XGBoost吗
这是个深度学习的时代,传统的机器学习算法仿佛已经失去了往日的光彩,你能随处听到卷积神经网络、循环神经网络以及其他各种net,偶尔听到的机器学习算法也是支持向量机,逻辑回归。今天给大家介绍一个自出生便统治数据科学界的王者——XGBoost算法,往期文章中我们分析过该算法的基本原理,本文让我们来看一下为什么XGBoost如此强大。
深度学习与Python
2019-06-19
8790
关于决策树、这些你需要知道
决策树是十大机器学习算法之一,可用于分类和回归问题。最初的决策树包括ID3和C4.5,后来慢慢发展到随机森林和作为梯度提升算法的基学习器模型,例如GBM算法和Xgboost。单一的决策树算法由于模型比较简单效果不是很好,后来引入Bagging和Boosting后模型效果大为改善。今天我们就来了解一下关于决策树的相关内容。
深度学习与Python
2019-06-18
6570
来,先练5个Scikit-learn的算法试试
支持向量机通过构建超平面来对数据集进行分类工作,其内部可采用不同的核函数以满足不同数据分布,目前支持向量机怕是大家最熟悉的一种机器学习算法了吧。
深度学习与Python
2019-06-18
6000
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!
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
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