标签：机器学习 第3页

红色石头 发布于 2020-11-27

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。 算法理论基础不仅包含基本概念、数学基础，也包含了机器学习、深度学习相关。今天给大家推荐一个不错的算法理论基础面试题汇总资源，已开源~ 首先放上这份开源面试...

阅读(3939)评论(0)赞 (2)标签：机器学习 / 面试

红色石头 发布于 2020-11-27

微软剑桥研究院实验室主任 Christopher Bishop 的经典著作《Pattern Recognition and Machine Learning》，中文译名《模式识别与机器学习》，简称 PRML，深受广大机器学习爱好者好评！ 在豆瓣上，这本书也是收到了 9.5 的高分...

阅读(3892)评论(0)赞 (1)标签：机器学习 / 模式识别 / 资源

红色石头 发布于 2020-06-28

如今，AI有道已经陪伴读者两年了。在这段时间里，我们一直专注于人工智能最前沿的技术、干货和资讯，努力为读者呈现最有价值的 AI 信息，致力于为读者提供切实可行的 AI 学习路线。 两年的时间，我们已经发布了超过 160 篇技术干货文章，52 万字，电子版总共 1700 多页。内容...

阅读(20713)评论(0)赞 (13)标签：机器学习 / 深度学习

红色石头 发布于 2020-06-28

现在大家平时会遇到很多不错的机器学习资源，但是大多数情况下，资源比较分散，不方便集中管理和查阅。更重要的是往往很难找到一个系统完整的资源导航，形成系统的学习路线，方便搜索。 重磅！今天小编在网上“闲逛”的时候发现了一个超级棒的机器学习优质资源分类导航。至少节约大家 50% 的时间...

阅读(8928)评论(0)赞 (1)标签：机器学习 / 资源

红色石头 发布于 2020-06-28

作者：陈颖祥、杨子晗 编译：AI有道编译：AI有道 经过数据预处理和特征选择，我们已经生成了一个很好的特征子集。但是有时该子集可能仍然包含过多特征，导致需要花费太多的计算能力用以训练模型。在这种情况下，我们可以使用降维技术进一步压缩特征子集。但这可能会降低模型性能。 同时，如果我...

阅读(7927)评论(0)赞 (0)标签：机器学习 / 特征工程 / 特征降维

红色石头 发布于 2020-05-24

数据预处理后，我们生成了大量的新变量（比如独热编码生成了大量仅包含0或1的变量）。但实际上，部分新生成的变量可能是多余：一方面它们本身不一定包含有用的信息，故无法提高模型性能；另一方面过这些多余变量在构建模型时会消耗大量内存和计算能力。因此，我们应该进行特征选择并选择特征子集进行...

阅读(8085)评论(0)赞 (2)标签：机器学习 / 特征工程 / 特征选择

红色石头 发布于 2020-05-07

数据预处理后，我们生成了大量的新变量（比如独热编码生成了大量仅包含0或1的变量）。但实际上，部分新生成的变量可能是多余：一方面它们本身不一定包含有用的信息，故无法提高模型性能；另一方面过这些多余变量在构建模型时会消耗大量内存和计算能力。因此，我们应该进行特征选择并选择特征子集进行...

阅读(8988)评论(0)赞 (1)标签：机器学习 / 特征工程 / 特征选择

红色石头 发布于 2020-04-24

数据预处理后，我们生成了大量的新变量（比如独热编码生成了大量仅包含0或1的变量）。但实际上，部分新生成的变量可能是多余：一方面它们本身不一定包含有用的信息，故无法提高模型性能；另一方面过这些多余变量在构建模型时会消耗大量内存和计算能力。因此，我们应该进行特征选择并选择特征子集进行...

阅读(8758)评论(0)赞 (2)标签：机器学习 / 特征工程 / 特征选择

红色石头 发布于 2020-04-24

数据预处理后，我们生成了大量的新变量（比如独热编码生成了大量仅包含0或1的变量）。但实际上，部分新生成的变量可能是多余：一方面它们本身不一定包含有用的信息，故无法提高模型性能；另一方面过这些多余变量在构建模型时会消耗大量内存和计算能力。因此，我们应该进行特征选择并选择特征子集进行...

阅读(7405)评论(0)赞 (2)标签：机器学习 / 特征工程 / 特征选择

红色石头 发布于 2020-04-22

数据预处理后，我们生成了大量的新变量（比如独热编码生成了大量仅包含0或1的变量）。但实际上，部分新生成的变量可能是多余：一方面它们本身不一定包含有用的信息，故无法提高模型性能；另一方面过这些多余变量在构建模型时会消耗大量内存和计算能力。因此，我们应该进行特征选择并选择特征子集进行...

阅读(9163)评论(0)赞 (6)标签：机器学习 / 特征工程 / 特征选择