人工智能 - sdk社区 | 技术至上

更多

热门最新

6 个月前 / SDK社区_运营团队

欢迎资深程序员老齐入驻sdk.cn

老齐，真名齐伟，苏州研途教育科技有限公司技术总监，多年从事网站开发、数据分析和机器学习等工作，拥有较丰富的工作经验。曾经受聘于浙江大学现代教育质量监测与服务研究所副研究员，专门从事有关数据统计分析工作，并主持研发相关的网络应用系统。老齐已经针对 Python 出了《跟老齐学 Python：轻松入门》、《跟老齐学 Python：Django 实战》、《跟老齐学 Python：数据分析》一系列图书和《AI 基础课|跟着老齐学 Python3（一）：入门系列》、《AI 基础课|跟着老齐学 Pyt

567 阅读

收藏
5 个月前 / Nexus_G / 学渣的推荐算法学习之路

推荐算法菜鸟的学习笔记（2）—— 群组推荐survey二次整理

A survey on group recommender systems论文记录1. 群组推荐系统的大多数现有方法可以大致分为：通过汇总单个成员个人资料并根据该个人资料推荐项目来创建个人资料（Kim等，2010）。通过向小组用户生成个性化推荐，然后将它们汇总为一个小组推荐（Kim and El Saddik 2015）。1.1 群组推荐系统也可以根据系统推荐的群组类型进行分类。基于组用户之间的交互，主要可以分为三种类型（Boratto和Carta 2010）。已建立的群组：一群基于共同兴趣明

467 阅读

收藏
7 个月前 / Keyboarder

一种机器学习中兼具鲁棒性和自适应性的损失函数

前言损失函数是机器学习和深度学习领域最为核心的一个概念，其能够主导最终模型的结果和方向。本文将介绍在CVPR 2019上最新发表的一篇论文中介绍的一种兼具鲁棒性和自适应性的损失函数：A General and Adaptive Robust Loss Function。关于异常值和鲁棒的损失的问题：考虑机器学习问题中最常用的误差之一：==均方误差(MSE)==，它是(y-x)的形式。MSE的一个关键特征是它对大误差的灵敏度比小误差高。用MSE训练的模型将==偏向于减少最大的误差==。例如，误差为

424 阅读

收藏
7 个月前 / Nexus_G / 学渣的机器学习之路

机器学习菜鸟的学习笔记（2）

2. 模型与代价函数2.1 模型展示x(i) 表示输入变量 (在本示例中为居住区域) y(i) 表示预测的输出或目标变量 (在本示例中为价格) (x(i), y(i) ) 被称为训练示例 x(i) (i = 1, . . . , m )被称为训练集。注意，符号中的上标（i）只是训练集中的一个索引，与幂运算无关。使用X表示输入值的空间，并使用Y表示输出值的空间。在此示例中，X = Y = ℝ当要预测的目标变量是连续的时（例如在住房示例中）为回归问题。当y只能采用少量离散值时

382 阅读

收藏
7 个月前 / Nexus_G / 学渣的机器学习之路

机器学习菜鸟的学习笔记（1）

1.一些关于机器学习的介绍1.1 什么是机器学习？此处提供机器学习的两种定义。 Arthur Samuel 将其描述为：“研究领域使计算机无需进行明确编程即可学习。” 这是一个较旧的非正式定义。Tom Mitchell 提供了一个更现代的定义：“如果某计算机程序在T任务中的性能（由P衡量）随着经验E的提高而提高，则可以说它是从经验E中学习有关某类任务T和性能度量P的。”例如：如何让电脑玩好快乐风男E = 大量亚索玩家游戏的经验T = 让电脑每场都使用这个英雄P = 电脑使用亚索取胜的概率通常，

383 阅读

收藏
5 个月前 / Nexus_G / 学渣的推荐算法学习之路

推荐算法菜鸟的学习笔记（1）—— 推荐系统的简单介绍

推荐系统 Recommender system1. 背景它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。和搜索引擎相比推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。2. 定义推荐系统有3个重要的模块：用户建模模块、推荐对象建模模块、推荐算法模块。通用的推荐系统模型流程如图。推荐系统把用户模型中兴趣需求信

292 阅读

收藏
6 个月前 / Nexus_G / 学渣的机器学习之路

机器学习菜鸟的学习笔记（4）

机器学习必要的矩阵运算知识矩阵的概念矩阵的基本运算矩阵乘法单位矩阵与逆矩阵

270 阅读

收藏
7 个月前 / Nexus_G / 学渣的机器学习之路

机器学习菜鸟的学习笔记（3）

3. 参数学习3.1 梯度下降 Gradient Descent现在，我们有了假设函数，并且有了一种方法来衡量它与数据的拟合程度。现在需要做的是估计假设函数中的参数。在此引入梯度下降。当代价函数位于图中凹坑的最底部时，即当其值最小，我们就成功了。红色箭头显示图中的最小点。方法是计算代价函数的导数（函数的切线）。切线的斜率是该点的导数，它提供一个方向。我们沿下降最陡的方向逐步降低代价函数。每个步骤的大小由参数α（称为学习率）确定。例如，上图中每个 “X” 之间的距离代表由参数α确定的步长。较小

262 阅读

收藏
6 个月前 / Nexus_G / 学渣的机器学习之路

机器学习菜鸟的学习笔记（12）

写在前面在Coursera的机器学习中配套有相关的练习，然而这些练习是使用Octave实现的。不过，作为一个Python的初学者当然得知道强大的Python也是可以实现这些练习的，接下来就对其中的一些练习的关键代码进行分享。线性回归的实现文件读取作业中提供的csv文件含有两列数据。x是Profit in $10,000s, y代表了Population of City in 10,000s。所以我们先需要读取这个csv文件，使用csv中的reader方法便可以轻松实现。 with open(fi

209 阅读

收藏
5 个月前 / Nexus_G / 学渣的推荐算法学习之路

推荐算法菜鸟的学习笔记（3）—— GBDT算法分享其一

GBDT 算法GBDT(Gradient Boosting Decision Tree)，全名叫梯度提升决策树，使用的是Boosting的思想。Boosting 思想Boosting方法训练基分类器时采用串行的方式，各个基分类器之间有依赖。它的基本思路是将基分类器层层叠加，每一层在训练的时候，对前一层基分类器分错的样本，给予更高的权重。测试时，根据各层分类器的结果的加权得到最终结果。Bagging与Boosting的串行训练方式不同，Bagging方法在训练过程中，各基分类器之间无强依赖，可以进

209 阅读

收藏
6 个月前 / Nexus_G / 学渣的机器学习之路

机器学习菜鸟的学习笔记（11）

写在前面之前的十期分享大致上简单介绍了机器学习的入门，至少对于我而言这是我的一个入门，当然这些内容只是个简单介绍，里面不乏大量细节需要注意，如果感兴趣十分推荐回头再次深入。教材来源之前的分享中出现的一些图片和内容是选自吴恩达在Coursera上的Machine Learning课程，在Coursera上这门课是免费的，随时注册随时看，也不用担心过期。这门课十分适合初学者，哪怕没有机器学习的基础也是可以上手的。链接如下：Coursera机器学习教材评析在学习的过程中，一开始我其实是相当畏惧其中涉及

198 阅读

收藏
3 个月前 / 老齐 / 机器学习数学基础

计算相似度

在机器学习中，经常要度量两个对象的相似度，例如k-最近邻算法，即通过度量数据的相似度而进行分类。在无监督学习中，K-Means算法是一种聚类算法，它通过欧几里得距离计算指定的数据点与聚类中心的距离。在推荐系统中，也会用到相似度的计算（当然还有其他方面的度量）。本文中，将介绍业务实践中最常用的几种相似度的度量方法。基于相似性的度量皮尔逊相关系数斯皮尔曼秩相关系数肯德尔秩相关系数余弦相似度雅卡尔相似度基于距离的度量欧几里得距离曼哈顿距离1. 基于相似性的度量1.1 皮尔逊相关系数皮尔逊相关系数度量两

195 阅读

收藏
6 个月前 / Nexus_G / 学渣的机器学习之路

机器学习菜鸟的学习笔记（5）

逻辑回归简单介绍问题的提出：预测变量y是离散值时候该怎么处理，也就是所谓的分类问题分类问题：假设有一堆属性值（自变量），通过这些属性判断这个东西到底属于0分类还是1分类。比如：通过邮件的很多属性，判断该邮件是否为垃圾邮件；判断某次交易是否为欺诈；判断肿瘤是良性还是恶性等等。为什么使用逻辑回归而不是线性回归？直观的想法：线性回归要求自变量和因变量均为数值型变量，取值范围为实数轴，但二分类问题的y天然不满足，只取在0到1之间，因此直接使用线性回归的方法也是不合适的，要先对其进行变换，转换到实数轴之

190 阅读

收藏
6 个月前 / DerekGrant / 苏州谷歌开发者社区

特征值与特征向量

最近学习LDA，需要计算特征值与特征向量，就重新学习了一波特征值的计算使用Python比较简单，需要导入numpy的linalg计算。linalg是linear algebra的缩写吧。先导入Numpyimport numpy as np随机生成一个矩阵AA = np.random.rand(4, 4)Aarray([[0.14978175, 0.60689778, 0.02583363, 0.46816227], [0.28508934, 0.74476942, 0.4871127

183 阅读

收藏
6 个月前 / Nexus_G / 学渣的机器学习之路

机器学习菜鸟的学习笔记（6）

上回说到既然不能用直线，那何不尝试一下用其他的线来拟合数据？假设表示sigmoid函数引入其中0表示负向类，1表示正向类，则输出为0≤hθ(x)≤1hθ(x)≥0.5，则预测y=1,既y属于正例hθ(x)假设函数为非线性小小补充下次将会介绍逻辑回归的代价函数，逻辑回归的代价函数将不同于线性回归，但是目的都是让损失最小化，回归本元其实思路是一样的。其实线性回归和逻辑回归的梯度下降数学推导并没有很复杂，动动手推一遍将会加深不少理解。从数学角度去理解这个过程其实是一个相当明智的。

178 阅读

收藏

加载中...