人工智能 - sdk社区 | 技术至上

更多

热门最新

1 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

4 赞

4 评论

收藏
1 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

2 赞

3 评论

收藏
1 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

2 赞

1 评论

收藏
1 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，

4 赞

0 评论

收藏
1 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

2 赞

0 评论

收藏
1 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

0 赞

0 评论

收藏
8 天前 / 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

1 赞

3 评论

收藏
1 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

1 赞

0 评论

收藏
1 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。

0 赞

0 评论

收藏
10 天前 / 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

1 赞

1 评论

收藏
7 天前 / 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

0 赞

1 评论

收藏
6 天前 / Nexus_G / 学渣的机器学习之路

机器学习菜鸟的学习笔记（14）

写在前面今次分享一下将正则化加入逻辑回归算法的实现，其实也并不算复杂，所见即所得，所得就把它写出来。正则化逻辑回归的实现文件数据在此次练习中用了一个更加复杂的数据集。与之前一样，我们需要先读数据，读完之后将它画出来看看分布。方法千千万，当然明显的是上一期的方法比较简便，不过选一种比较熟悉的就好。with open(filename, 'r') as f: reader = csv.reader(f) columns = ['t1', 't2', 'value'] for row

0 赞

0 评论

收藏
24 天前 / Nexus_G / 学渣的机器学习之路

机器学习菜鸟的学习笔记（7）

写在前面上回书说到一个新的代价函数，今次我们就来简单的介绍一下它，这将成为我们的新武器。代价函数为什么我们不使用之前的均方差代价函数呢是因为逻辑回归模型沿用均方差得到的代价函数将是一个非凸函数，而非凸函数十分样貌十分的扭曲，一点都不丝滑，这将导致梯度下降遭遇局部最优问题。还记得我们之前在线性回归的梯度下降吗？可以形象的理解成怎么才能最快速的从山顶跳下去，而局部最优则是在坑坑洼洼的山上，你以为你已经跳崖成功了，其实这是自缘身在此山中，你依然在半山腰。为解决这个问题，我们需要重新定义逻辑回归的代价函

1 赞

0 评论

收藏
6 天前 / DerekGrant / 苏州谷歌开发者社区

线性判别分析 Linear Discriminant Analysis，LDA

线性判别分类器由向量$w$和偏差项$b$构成。给定样例$x$，其按照如下规则预测获得类别标记$y$，即$y=sign(w^Tx+b)$后面统一使用小写表示列向量，转置表示行向量。分类过程分为如下两步：首先，使用权重向量w将样本空间投影到直线上去然后，寻找直线上一个点把正样本和负样本分开。为了寻找最有的线性分类器，即$w$和$b$，一个经典的学习算法是线性判别分析（Fisher's Linear Discriminant Analysis，LDA）。简要来说，LDA的基本想法是使不同的样本尽量原理

0 赞

0 评论

收藏
16 天前 / Nexus_G / 学渣的机器学习之路

机器学习菜鸟的学习笔记（10）

写在前面书接上回，今次将简单分享如何将正则化应用在之前所遇到的逻辑回归和线性回归中。到这个阶段，恭喜恭喜，你已经掌握了一些基础了（毕竟再往后的神经网络就没那么容易理解了）。闲话少叙，让我们从正则化的种类开始。L1 L2 正则L1正则由模型的参数的绝对值的和构成，L2范数由模型的参数的平方和构成。L1正则可以降低模型的复杂度，做特征选择。这是由于当采用L1正则后模型中对于部分特征的权重会置零。这样可以有效的降低有依赖的特征，起到特征选择的作用，同时特征维度降低后模型的复杂度也随之降低。所以L1正则

0 赞

0 评论

收藏

加载中...