基于WSL2+Docker+VScode搭建机器学习(深度学习)开发环境。

支持向量机算法SVM算法和感知机，逻辑回归一样，都是经典的二分类算法。其中，支持向量机找到的分割超平面具有更好的鲁棒性，因而被广泛使用在了很多任务上。一、常见的几何性质（欧氏空间）{wTx1+b=0wTx2+b=0w为法向量wT(x1−x2)=0(式1)\begin{cases}w^Tx_1+b=0\\w^Tx_2+b=0{\qquad{w为法向量}}\\w^T(x_1-x_2)=...

组合不同的模型进行集成学习群体决策：一般可以从数据层面、单模型层面(比如模型调参等)、集成学习等方式提升模型性能。Bagging：随机构造训练所使用的数据样本，随机选择特征，通过引入数据上的随机性降低模型方差，减小过拟合。Boosting：从错误中学习，当前模型更加聚焦于上一个模型错分的样本，着力减小偏差。from IPython.display import Image%matplotlib i

网络中的网络（NiN）(10月14号(组内)–d2l)深度卷积神经网络（NiN）LeNet、AlexNet 和 VGG 都有一个共同的设计模式：通过一系列的卷积层与汇聚层来提取空间结构特征；然后通过全连接层对特征的表征进行处理。AlexNet 和 VGG 对 LeNet 的改进主要在于如何扩大和加深这两个模块。或者，可以想象在这个过程的早期使用全连接层。然而，如果使用稠密层了，可能会完全放弃表征的

通过回归分析预测连续变量from IPython.display import Image%matplotlib inline1.介绍线性回归线性回归的目标是：对一个或者多个特征与连续型的目标变量之间的关系进行建模。1.1简单线性回归对于单个的特征，单变量线性回归表示如下：y=w0+w1xy=w_{0}+w_{1} xy=w0​+w1​x其中，w0w_{0}w0​代表的是yyy轴截距，w1w_{1

利用Tensorflow2构建CNN并用于图像分类本文将使用自下而上的方法，从讨论CNN的基本板块构建开始。然后将深入研究CNN的体系结构，并探索如何在TensorFlow中实现CNN。本文包含以下内容：一维和二维的卷积运算卷积神经网络结构的构建使用Tensorflow构建深度卷积神经网络利用数据扩充技术提高模型泛化性能实现一个基于人脸图像的CNN分类器来预测个人性别from IPython.di

利用机器学习进行情感分析1.导入电影评论数据集此电影评论数据集包含有50000条评论信息，其中已经标记评论信息在6颗星以上的为positive， 评论信息在5颗星以下的为negative.原始数据下载地址在这里。import pandas as pddf = pd.read_csv('movie_data.csv', encoding='utf-8')df.head(3)reviewsentime

基于WSL2+Docker+VScode搭建机器学习(深度学习)开发环境。

中国计算机学会推荐中文科技期刊目录中国计算机学会(CCF)日前完成了《CCF推荐中文科技期刊目录》（下文简称“CCF中文目录”）遴选工作，现予发布。2019年4月，CCF决定启动《CCF推荐中文科技期刊目录》遴选工作。本次遴选的原则是：把握基础研究、应用研究等不同类型科技期刊的功能，充分发挥CCF的学术公信力和影响力，按照领域学科特色、发展目标，引导国内科技期刊坚持以价值导向办刊、引导期刊专注提升

利用Tensorflow2构建CNN并用于图像分类本文将使用自下而上的方法，从讨论CNN的基本板块构建开始。然后将深入研究CNN的体系结构，并探索如何在TensorFlow中实现CNN。本文包含以下内容：一维和二维的卷积运算卷积神经网络结构的构建使用Tensorflow构建深度卷积神经网络利用数据扩充技术提高模型泛化性能实现一个基于人脸图像的CNN分类器来预测个人性别from IPython.di