-
深度学习之反向传播
(在pytorch包中)Tensor数据成员:data(存放数据w,也是Tensor变量,但是取data不会构建计算图)和grad(存放梯度loss对w的导,调用bacward之后grad也是个Tensor,每次引用结束要zero) backward会释放计算图,每一次运行神经网络时计算图可能是不同的,所以没进行一次反向传播就释放
-
Linux学习之分区挂载
点击“硬盘(SCSI)”,在弹出来的窗口点击“硬盘(SCSI)”之后添加。 选择硬盘之后,点击下一步。 虚拟磁盘类型,就选择默认的SCSI(S)。 选择“创建新虚拟机磁盘(V)”,然后点击“下一步”。 我就按照默认值进行配置,没有任何调整,然后点击“下一步(N)”。 点击
-
机器学习之数据清洗
一、介绍 数据清洗是机器学习中的一个重要步骤,它涉及对原始数据进行预处理和修复,以使数据适用于机器学习算法的训练和分析。数据清洗的目标是处理数据中的噪声、缺失值、异常值和不一致性等问题,以提高数据的质量和准确性。 二、方法 处理缺失值:识别数据
-
头歌--机器学习之决策树
目录 第1关:什么是决策树 第2关:信息熵与信息增益 第3关:使用ID3算法构建决策树 第4关:信息增益率 第5关:基尼系数 第6关:预剪枝与后剪枝 第7关:鸢尾花识别 第1关:什么是决策树 1、下列说法正确的是?(AB) A 、训练决策树的过程就是构建决策树的过程 B 、ID3算法
-
机器学习之损失函数
深度学习中常用的损失函数多种多样,具体选择取决于任务类型和问题的性质。以下是一些常见的深度学习任务和相应的常用损失函数: 分类任务 : 交叉熵损失函数(Cross-Entropy Loss) :用于二分类和多类别分类任务,包括二元交叉熵(Binary Cross-Entropy)和多元交叉熵(Cat
-
机器学习之协同过滤算法
协同过滤是一类常用于推荐系统的机器学习算法,它基于用户行为历史或物品属性来推荐用户可能感兴趣的物品。协同过滤算法主要分为两种类型:基于用户的协同过滤和基于物品的协同过滤。 协同过滤的优点在于它不需要关于物品或用户的领域知识,而是通过挖掘用户行为
-
机器学习之逻辑回归
1.1 监督学习 1.1.1 回归(线性回归) 1.1.1.1 描述 线性回归模型公式: 多元线性关系:一个通过特征的的线性组合来进行预测的函数 其中,h(x)是因变量,x1、x2、…、xn是自变量,o1、o2、…、bn是回归系数。回归系数表示自变量对因变量的影响程度,可以通过最小二乘法来求解
-
6、机器学习之随机森林
使用更复杂的机器学习算法。 本课程所需数据集夸克网盘下载链接:https://pan.quark.cn/s/9b4e9a1246b2 提取码:uDzP 决策树给你留下了一个困难的选择。一个深度很大、有很多叶子的树会因为每个预测都来自其叶子上仅有的几个房屋的历史数据而过拟合。但是一个浅树,叶子较少,
-
【uniapp】学习之【生命周期】
uniapp生命周期 uni-app框架的生命周期分为两种 : 应用中的生命周期 和 页面内的生命周期 uni-app 应用生命周期 uni-app 页面生命周期
-
Linux学习之权限
在学习Linux权限之前,我们先理解一下关于Linux内核与shell外壳之间的关系: Linux严格意义上说的是一个 操作系统 ,我们称之为“ 核心(kernel) “ ,但我们一般用户,不能直接使用kernel。而是通过kernel的“外壳”程序,也就是所谓的shell,来与kernel沟通。如何理解?为什么不
-
机器学习之十大经典算法
机器学习算法是计算机科学和人工智能领域的关键组成部分,它们用于从数据中学习模式并作出预测或做出决策。本文将为大家介绍十大经典机器学习算法,其中包括了线性回归、逻辑回归、支持向量机、朴素贝叶斯、决策树等算法,每种算法都在特定的领域发挥着巨大的价
-
机器学习之决策树
决策树 (decision tree)是基于树结构进行决策的,是一种符合人类面临决策问题时的思考方式。采用了 分而治之 (divide-and-conquer)的策略。 决策树建立的基本流程 决策树的构建是一个递归的 过程,决策树生成算法中有三种情形会导致递归: 当前结点包含的样本全属于同一
-
机器学习之LDA算法
目录 LDA算法 LDA目标 LDA原理推导 LDA除法模型 LDA减法模型 LDA除法正则模型 LDA减法正则模型 证明:St=Sw+Sb LDA算法流程 LDA优点 LDA缺点 基于LDA的人脸识别 线性判别分析(linear discriminant analysis,LDA), 是一种经典的线性学习方法,其原理是:给定训练样例集,设法将样例投影到
-
机器学习之概率论
最近,在了解机器学习相关的数学知识,包括线性代数和概率论的知识,今天,回顾了概率论的知识,贴上几张其他博客的关于概率论的图片,记录学习过程。