
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
k-近邻算法采用测量不同特征值之间的距离方法进行分类

一、数据分析思维框架数据分析就是把定性的事情转变为定量,这样我们就能够更具象化、标准化,能横纵对比,能细化放大,能把复杂的事情简单化。数据分析就是寻找被量化的现象之间的【关系】。即y=f(x),找到两个变量之间的关系,找到的关系越多给实践带来的有效手段就更多。贴合用户认知的建模数据统计——利用数据体现现象(量化),比如建立数据漏斗(矛盾演化规律)数据分析——利用数据寻找现象关系,比如区域、矛盾主题
决策树模型呈树形结构,可以认为是if-then的集合(互斥并且完备:即每一个实例都被一条路径或一条规则所覆盖,而且,只被一条路径或一条规则所覆盖。)或者定义在特征空间与类空间上的条件概率分布

Transformer模型详解
读完人工智能之美一书后,觉得非常有启发的语录如下:1. 关注内在思想,而不是外在行为2. 有了合适的大框架,细节才会有意义、可操控。3. 不同的大脑皮层区域有着一个相同的、强大的通用算法,如果将这些区域按照合适的层级结构连接起来并输入信息流,它就能学会了解周围的环境4. 大脑不需要“计算”问题的答案,它只是从记忆中取出答案。整个大脑皮层就是一个记忆系统,根本不是计算机。它不会计算问题的答案,而是用
read_csv常用

文章地址:https://www.jianshu.com/p/23949ca4f8ab文章写的比较容易理解,但仅仅对二分类的学习问题可行性进行讨论,并非所有的机器学习输出空间都是二值的,其他类型的需要更深入的学习了。文章参考资料:[1] Learning From Data(网易公开课).[2] 林轩田机器学习基石(B站公开课).[3] No Free Lunch Theorems.[4] 机器学
读完人工智能之美一书后,觉得非常有启发的语录如下:1. 关注内在思想,而不是外在行为2. 有了合适的大框架,细节才会有意义、可操控。3. 不同的大脑皮层区域有着一个相同的、强大的通用算法,如果将这些区域按照合适的层级结构连接起来并输入信息流,它就能学会了解周围的环境4. 大脑不需要“计算”问题的答案,它只是从记忆中取出答案。整个大脑皮层就是一个记忆系统,根本不是计算机。它不会计算问题的答案,而是用
函数的梯度方向表示了函数值增长速度最快的方向,那么和它相反的方向就可以看作函数值减少速度最快的方向。就机器学习模型优化的问题而言,当目标设定为求解目标函数最小值时,只要朝着梯度下降的方向前进就能不断逼近最优值。最简单的梯度下降算法—固定学习率的方法,这种梯度下降算法由两个函数和三个变量组成。函数1:待优化的函数f(x),它可以根据给定的输入返回函数值函数2:待优化函数的导数g(x),它可以根据给定
cuda的安装教程和paddle的安装使用
