标签：机器学习 第3页

红色石头 发布于 2018-11-08

前阵子因为机器学习训练营的任务安排，需要打一场 AI 比赛。然后就了解到最近热度很高且非常适合新人入门的一场比赛：天池新人实战赛o2o优惠券使用预测。今天，红色石头把这场比赛的一些初级理论分析和代码实操分享给大家。本文会讲解的很细，目的是带领大家走一遍比赛流程，实现机器学习理论分...

阅读(3636)评论(6)赞 (10)标签：Python / 机器学习

红色石头 发布于 2018-09-16

在监督式机器学习中，无论是回归问题还是分类问题，都少不了使用损失函数（Loss Function）。损失函数（Loss Function）是用来估量模型的预测值 f(x) 与真实值 y 的不一致程度。若损失函数很小，表明机器学习模型与数据真实分布很接近，则模型性能良好；若损失函数...

阅读(3357)评论(0)赞 (6)标签：损失函数 / 机器学习

红色石头 发布于 2018-08-22

什么是协方差（Covariance）？ 协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。 如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。 如果两个变量的变化趋势相反，即其中一个...

阅读(2120)评论(0)赞 (8)标签：协方差 / 机器学习 / 相关系数

红色石头 发布于 2018-08-14

机器学习是一门理论性和实战性都比较强的技术学科。在应聘机器学习相关工作岗位时，我们常常会遇到各种各样的机器学习问题和知识点。为了帮助大家对这些知识点进行梳理和理解，以便能够更好地应对机器学习笔试包括面试。红色石头准备在公众号连载一些机器学习笔试题系列文章，希望能够对大家有所帮助！...

阅读(2925)评论(0)赞 (5)标签：机器学习 / 深度学习 / 笔试

红色石头 发布于 2018-08-06

因为之前有不少朋友在微信或 QQ 上问我，机器学习、深度学习应该如何入门呢？对应这一问题，红色石头碰巧也在知乎上看到有人提问，就把自己的入门学习经验好好总结了一番，包括各种资源、课程笔记和建议，以及红色石头切身经历的机器学习路线图。希望对你有所帮助。 1. 放弃海量资料！ 没错，...

阅读(13134)评论(1)赞 (47)标签：吴恩达 / 机器学习 / 林轩田 / 深度学习

红色石头 发布于 2018-08-06

什么是梯度？ 对于梯度下降算法（Gradient Descent Algorithm），我们都已经很熟悉了。无论是在线性回归（Linear Regression）、逻辑回归（Logistic Regression）还是神经网络（Neural Network）等等，都会用到梯度下降...

阅读(4755)评论(0)赞 (12)标签：机器学习 / 梯度下降 / 深度学习

红色石头 发布于 2018-08-03

吴恩达（Andrew Ng）在 Coursera 上开设的机器学习入门课《Machine Learning》，授课地址是： Coursera Andrew Ng Machine Learning 关于这门课的官方介绍是：本课程将广泛介绍机器学习、数据挖掘和统计模式识别。相关主题包...

阅读(5138)评论(0)赞 (14)标签：吴恩达 / 机器学习 / 资料

红色石头 发布于 2018-08-01

机器学习是一门理论性和实战性都比较强的技术学科。在应聘机器学习相关工作岗位时，我们常常会遇到各种各样的机器学习问题和知识点。为了帮助大家对这些知识点进行梳理和理解，以便能够更好地应对机器学习笔试包括面试。红色石头准备在公众号连载一些机器学习笔试题系列文章，希望能够对大家有所帮助！...

阅读(2819)评论(0)赞 (4)标签：机器学习 / 深度学习 / 笔试

红色石头 发布于 2018-07-31

一、介绍 本篇文章，我们将讨论所谓的“维度灾难”，并解释在设计一个分类器时它为何如此重要。在下面几节中我将对这个概念进行直观的解释，并通过一个由于维度灾难导致的过拟合的例子来讲解。 考虑这样一个例子，我们有一些图片，每张图片描绘的是小猫或者小狗。我们试图构建一个分类器来自动识别图...

阅读(1314)评论(0)赞 (1)标签：机器学习 / 过拟合

红色石头 发布于 2018-07-31

实际优化问题的目标函数往往比较复杂。为了使问题简化，通常将目标函数在某点附近展开为泰勒(Taylor)多项式来逼近原函数。 一元函数在点x_k处的泰勒展开式为： f(x) = f(x_k)+(x-x_k)f'(x_k)+\frac{1}{2!}(x-x_k)^2f”(...

阅读(2618)评论(0)赞 (4)标签：机器学习 / 泰勒展开