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
谓之小一
专栏成员
举报
44
文章
110720
阅读量
18
订阅数
订阅专栏
申请加入专栏
全部文章(44)
编程算法(24)
神经网络(19)
深度学习(19)
机器学习(18)
人工智能(13)
决策树(5)
二叉树(3)
数据分析(3)
NLP 服务(2)
python(2)
数据库(2)
sql(2)
git(2)
apache(2)
知识图谱(2)
微信(2)
php(1)
ruby(1)
bash(1)
云数据库 SQL Server(1)
云数据库 Redis(1)
ide(1)
github(1)
bash 指令(1)
spring(1)
批量计算(1)
文件存储(1)
文字识别(1)
腾讯云测试服务(1)
http(1)
存储(1)
开源(1)
分布式(1)
网络安全(1)
卷积神经网络(1)
numpy(1)
rpc(1)
scikit-learn(1)
无监督学习(1)
数据结构(1)
https(1)
云计算(1)
pdf(1)
笔记(1)
浏览器(1)
搜索(1)
搜索文章
搜索
搜索
关闭
每周分享第一期
微信
云计算
机器学习
神经网络
深度学习
这里记录我过去一周看到的新闻、故事、技术、资料等等,分享给各位。同时也欢迎各位投稿,投稿地址zhenhai.gl@gmail.com。
小一
2019-08-14
501
0
机器学习降维之奇异值分解(SVD)
编程算法
数据分析
机器学习
神经网络
深度学习
奇异值分解(Singular Value Decompostion, SVD)是在机器学习领域广泛应用的算法,不光可以用于降维算法中的特征分解,还可以用于推荐系统,以及自然语言处理等领域,是很多机器学习算法的基石。本篇文章对SVD原理做主要讲解,在学习之前,确保你已经熟悉线性代数中的基本知识,包括特征值、特征向量、相似矩阵相关知识点。如果不太熟悉的话,推荐阅读如下两篇文章,如何理解矩阵特征值?知乎马同学的回答和如何理解相似矩阵?马同学高等数学,读完之后再看本篇文章会有很大帮助。 1. 回顾特征值和特征向量
小一
2019-08-14
1.6K
0
LSTM神经网络之前向反向传播算法
机器学习
神经网络
深度学习
人工智能
为解决梯度消失的问题,大牛们针对RNN序列索引位置t的隐藏结构作出相应改进,进而提出LSTM模型。其中LSTM模型有多种形式,下面我们以最常见的LSTM模型为例进行讲解。
小一
2019-08-14
1.2K
0
循环神经网络之前向反向传播算法
编程算法
神经网络
机器学习
深度学习
人工智能
前面我们已经介绍了深度神经网络和卷积神经网络,这些算法都是前向反馈,模型的输出和模型本身没有关联关系。今天我们学习输出和模型间有反馈的神经网络,循环神经网络(Recurrent Neual Networks),其广泛应用于自然语言处理中的语音识别,书写识别和机器翻译等领域。
小一
2019-08-14
709
0
卷积神经网络之反向传播算法
编程算法
神经网络
机器学习
深度学习
人工智能
由于卷积层可以有多个卷积核,各个卷积核之间的处理方式是完全相同的,为了简化算法公式的复杂度,下面推导时只针对卷积层中若干卷积核中的一个。
小一
2019-08-14
804
0
卷积神经网络之前向传播算法
卷积神经网络
机器学习
神经网络
深度学习
人工智能
本来个人是准备毕业直接工作的,但前段时间学校保研大名单出来之后,发现本人有保研机会,于是就和主管请了几天假,回学校准备保研的事情。经过两天的准备,也是非常幸运,成功拿到本院的保研名额。明确得到保研名额的时候已经是9月18号,然而国家推免系统开放时间是9月28号,也就是说我只还有10天时间准备保研,而且这个时间点很多学校夏令营、预报名活动早已结束,不再接受学生申请。所以能够申请的学校也就很少,同时这10天之间,还要赶回北京实习,所以时间还是很赶的。
小一
2019-08-14
567
0
深度神经网络之正则化
编程算法
机器学习
神经网络
深度学习
人工智能
之前介绍的文章之中,我们已多次接触到正则化方法,但没有详细的解释为什么要正则化,什么是正则化,以及L1正则化和L2正则化的区别。本次文章之中,我们将详解机器学习中正则化的概念和深度神经网络中的正则化方法。
小一
2019-08-14
1.2K
0
深度神经网络之损失函数和激活函数
编程算法
神经网络
通过前面深度神经网络之前向传播算法和深度神经网络之反向传播算法的学习,我们能够了解到损失函数是用来评估模型的预测值与真实值之间的差异程度。另外损失函数也是神经网络中优化的目标函数,神经网络训练或者优化的过程就是最小化损失函数的过程,损失函数越小,说明模型的预测值就越接近真实值,模型的准确性也就越好。前面我们已经学习过平方损失函数,对数损失函数、交叉熵损失函数等不同形式的损失函数,这里也就不做太多介绍。
小一
2019-08-14
1.4K
0
深度神经网络之反向传播算法
编程算法
机器学习
深度学习
人工智能
神经网络
现在对应到我们的DNN模型之中,即输入层有n_in个神经元,输出层有n_out个神经元,再加上一些含有若干个神经元的隐含层。此时我们需要找到所有隐含层和输出层所对应的线性系数矩阵W、偏倚向量b,希望通
小一
2019-08-14
768
0
深度神经网络之前向传播算法
编程算法
神经网络
机器学习
深度学习
人工智能
深度神经网络(Deep Neural Networks,DNN)从字面上理解,也就是深层次的神经网络,从网络结构上看来就是有多个隐含层的神经网络。深度神经网络不仅能够用于分类和回归,在降维、聚类、语音识别、图像识别方面也有许多应用。由于神经网络内容较多,将分多次写作,本次主要讲解深度神经网络中的前向传播算法,后续还有反向传播算法、损失函数和激活函数、正则化。
小一
2019-08-14
530
0
机器学习之朴素贝叶斯算法
编程算法
决策树
机器学习
神经网络
深度学习
朴素贝叶斯(Naive Bayesian)算法能够根据数据加先验概率来估计后验概率,在垃圾邮件分类、文本分类、信用等级评定等多分类问题中得到广泛应用。对于多数的分类算法,比如决策树、KNN等,他们都是判别方法,也就是直接学习出特征输出Y和特征X之间的关系。但朴素贝叶斯和多数分类算法都不同,朴素贝叶斯是生成算法,也就是先找出特征输出Y和特征X的联合分布P(X,Y),然后用P(Y|X)=P(X,Y)/P(X)得出。
小一
2019-08-14
716
0
机器学习之自适应增强(Adaboost)
机器学习
神经网络
深度学习
人工智能
编程算法
Adaptive boosting(自适应增强)是一种迭代算法,其核心思想是针对同一个训练集训练不同的弱分类器,然后把这些弱分类器集合起来,构成一个强分类器,Adaboost可处理分类和回归问题。了解Adaboost算法之前,我们先学习下Boost(增强)和Adaptive(自适应)的概念。
小一
2019-08-14
5.3K
0
机器学习之梯度提升决策树(GBDT)
编程算法
决策树
机器学习
神经网络
深度学习
1.GBDT算法简介 GBDT(Gradient Boosting Decision Tree)是一种迭代的决策树算法,由多棵决策树组成,所有树的结论累加起来作为最终答案,我们根据其名字(Gradient Boosting Decision Tree)来展开推导过程。决策树(Decision Tree)我们已经不再陌生,在之前介绍到的机器学习之决策树(C4.5算法)、机器学习之分类与回归树(CART)、机器学习之随机森林中已经多次接触,在此不再赘述。但Boosting和Gradient方法是什么含义呢,又如
小一
2019-08-14
3.5K
0
机器学习之随机森林
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)是一个非常灵活的机器学习方法,从市场营销到医疗保险有着众多的应用。例如用于市场营销对客户获取和存留建模或预测病人的疾病风险和易感性。随机森林能够用于分类和回归问题,可以处理大量特征,并能够帮助估计用于建模数据变量的重要性。我们先了解随机森林中森林和随机的概念。
小一
2019-08-14
1.4K
0
机器学习之分类与回归树(CART)
决策树
机器学习
神经网络
深度学习
人工智能
分类与回归树的英文是Classfication And Regression Tree,缩写为CART。CART算法采用二分递归分割的技术将当前样本集分为两个子样本集,使得生成的每个非叶子节点都有两个分支。非叶子节点的特征取值为True和False,左分支取值为True,右分支取值为False,因此CART算法生成的决策树是结构简洁的二叉树。CART可以处理连续型变量和离散型变量,利用训练数据递归的划分特征空间进行建树,用验证数据进行剪枝。
小一
2019-08-14
2.6K
1
机器学习之决策树(C4.5算法)
决策树
机器学习
神经网络
深度学习
人工智能
我们已有如下所示数据集,特征属性包含天气、温度、湿度、风速,然后根据这些数据去分类或预测能否去打高尔夫球,针对此类问题你会怎么解决呢。
小一
2019-08-14
4.7K
1
Python之Sklearn使用教程
机器学习
scikit-learn
numpy
神经网络
深度学习
Scikit-learn(sklearn)是机器学习中常用的第三方模块,对常用的机器学习方法进行了封装,包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法。当我们面临机器学习问题时,便可根据下图来选择相应的方法。Sklearn具有以下特点:
小一
2019-08-14
1.5K
0
机器学习之SVM支持向量机(二)
机器学习
神经网络
深度学习
人工智能
机器学习之SVM支持向量机(一)中我们介绍了SVM损失函数、最大间隔分类、为什么SVM能形成最大间隔分类器、核函数、SVM中Gaussian Kernel的使用知识点。上文我们从Logistic Regression损失函数中推出SVM损失函数,本篇文章我们将更加直观的分析得到SVM损失函数、如何求解SVM对偶问题、如何解决outliers点,并且最终利用sklearn实现SVM。
小一
2019-08-14
438
0
机器学习之SVM支持向量机(一)
机器学习
神经网络
深度学习
人工智能
我们思考这样一个问题,给两个标签,蓝色和红色点,数据有两个特征(x,y)。我们想要一个分类器,给定一对(x,y),能找到很好的分类边界,判断是蓝色点还是红色点。对于下图的数据,我们如何解决呢。本文通过引入Support Vector Machine(SVM)算法来详解此类问题。
小一
2019-08-14
573
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