参考资料:李航《统计学习方法》《机器学习实战》 1. 决策树模型 决策树(decision tree)是一种基本的分类与回归方法,其示意图如下图所示: 决策树由结点和有向边组成,结点分为内部结点(图中的圆形的结点)和叶结点(图中的方形的结点)。内部结点表示一个特征或者属性,叶结点表示一个类。决策树可以看做是一个if-then规则的集合,从根节点到叶结点的一条路径即构成一条规则。决策树的学习本质
参考资料1.7. Gaussian ProcessesSklearn官方文档中文整理5——高斯过程篇sklearn中文文档——1.7. 高斯过程Gaussian Processes for Machine Learning 前言 核技巧(kernal trick)是机器学习中非常重要的方法,在支持向量机(SVM)、高斯过程回归(GPR)、核岭回归(KRR)等机器学习方法中都有非常重要的运用(【
参考资料:李航《统计学习方法》《机器学习实战》sklearn的教程——1.4. Support Vector Machines 1. 线性可分问题与最大间隔 对于一个二分类问题来说,假设给定一个特征空间上的训练数据集,如果能够找到一个超平面将数据集分开,这个问题就叫做线性可分问题。以二维特征空间的分类问题为例,如下图所示,左图就是线性可分问题,右图就是线性不可分问题。将数据分隔开的直线就称作分
参考资料:李航《统计学习方法》《机器学习实战》 推荐阅读:【机器学习】Boosting与AdaBoost分类与回归原理详解与公式推导集成学习原理小结集成学习之Adaboost算法原理小结 1. 基本算法思路 提升(boosting)算法实质上是基于“三个臭皮匠赛过诸葛亮”的思想进行的,也就是通过训练多个弱分类器的(有权)组合形成一个强分类器。 对于提升方法来说,有两个问题需要回答: 一是在每
参考资料:李航《统计学习方法》《机器学习实战》 1.前言 这一节主要是一些最常用、最基本的知识和概念,以理论为主,虽然学习起来比较枯燥,但是磨刀不误砍柴工。机器学习研究的对象是数据,在数据量指数性增长和爆炸的今天,它的重要性不言而喻。机器学习最基本的三个要素是模型(model)、策略(strategy)和算法(algorithm)。模型是是指数据输入(即输入集)和输出(即输出集)之间的函数映射
在学校听的华为云ModelArts的公开课。其实大部分都是在讲深度学习的入门,也稍微介绍了一下华为云的这个深度学习平台。 1. 华为云ModelArts开发平台简介 华为云ModelArts是化而为最新推出的AI云平台。可以看一下挂网的介绍——什么是ModelArts。和tensorflow与pytorch这样的平台相比,这个平台的优势在于:免安装环境,注册就能上手;更适合小白上手训练——当然
目录 1. 采样(sampling.py) 2. 聚合(net.py) 3. GraphSAGE模型构建(net.py) 4. 数据处理(data.py) 5. 主函数 5.1 导入需要的包 5.2 数据准备 5.3 模型初始化 5.4 模型训练和测试 1
目录 1. 前言 2. 数据预处理——CoraData类的定义 3. GCN层定义 4. 模型构建 5. 模型训练与测试 1. 前言 这次的任务是节点分类。使用的是Cora数据集,该数据集由2708篇论文,及它们之间的引用关系构成的5429条边组成。这些论文根据主题被划分为7类,分别是神经网络、牵强化学习、规则学习、概率方法、遗传算法、理论研究、案例相关。每篇论文的特征
任务说明:NLP-Beginner:自然语言处理入门练习 任务二 数据下载:Sentiment Analysis on Movie Reviews 参考资料: Convolutional Neural Networks for Sentence Classificatio PyTorch官方文档 关于深度学习与自然语言处理的一些基础知识:【深度学习实战】从零开始深度学习(四):RNN
官网地址:NLP FROM SCRATCH: TRANSLATION WITH A SEQUENCE TO SEQUENCE NETWORK AND ATTENTION 数据下载:数据 基础知识:【深度学习实战】从零开始深度学习(四):RNN与自然语言处理 目录 1. 导入需要的包 2. 读入数据 3. 数据预处理——建立数据集 4. 模型搭建 4.1 编码器 4.
目录 1. 生成模型(Generative Model) 1.1 自编码器(Autoencoder) 1.2 变分自编码器(Variational AutoEncoder,VAE) 2. 生成对抗网络(Generative Adversarial Networks,GAN) 2.1 生成对抗网络模型概述 2.2 生成
参考资料: web3.0与Semantic Web编程(中文版) Web 3.0与Semantic Web编程 英文版 随书代码 一、SPARQL——基于语义网的查询 语义网信息查询需要一种将RDF作为基本语法的语言。SPARQL是SPARQL协议与RDF查询语言(SPARQL Protocol and RDF Query Language)
参考资料: 《PyTorch深度学习》(人民邮电出版社)第6章 序列数据和文本的深度学习 PyTorch官方文档 廖星宇著《深度学习入门之Pytorch》第5章 循环神经网络 其他参考的网络资料在文中以超链接的方式给出 目录 0. 写在前面 1. 循环神经网络( Recurrent Neural Network ) 1
参考资料: 《PyTorch深度学习》(人民邮电出版社)第5章 深度学习之计算机视觉 PyTorch官方文档 廖星宇著《深度学习入门之Pytorch》第4章 卷积神经网络 其他参考的网络资料在文中以超链接的方式给出 目录 0 写在前面 1. 卷积神经网络 1.
参考资料 廖星宇《深度学习入门之PyTorch》 PyTorch官方文档 其他参考资料在文中以超链接的方式给出 目录 0. 写在前面 1. PyTorch基础 1.1 张量(Tensor) 1.2 变量(Variable) 1.3 数据集(Dataset) 1.4 模组(nn.Module) 1.5
参考资料: 《Pytorch深度学习》(人民邮电出版社)第三章 深入了解神经网络 《Pytorch深度学习》(人民邮电出版社)第四章 机器学习基础 Pytorch官方文档 其他有参考的资料都在文章中以超链接的形式给出啦 目录 0 写在前面 1 神经网络的组成部分 1.1 层
参考图书: web3.0与Semantic Web编程(中文版) Web 3.0与Semantic Web编程 英文版 随书代码下载 一、信息建模 在语义Web上,信息的建模主要通过三种语言来完成: RDF(资源描述框架)——定义了底层的数据模型,并且为语义Web层次结构图中其他更高层次的复杂特性奠定了基础。 RDF Schema(RDFS,RDF框架) OWL W
参考图书: web3.0与Semantic Web编程(中文版) Web 3.0与Semantic Web编程 英文版 随书代码下载 一、程序环境准备——为以数据为中心的语义Web程序设计做好准备 1.1 什么是语义Web? 语义就是意思、含义。了解了数据的含义之后就能够更加有效地利用底层数据。语义Web就是一个数据网,这些数据以多种方式进行描述,相互链接形成上下文(语义关系),同时这
积分
粉丝
勋章
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信