1.激活函数的定义我们看百度百科对激活函数的定义：激活函数（Activation Function），就是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。激活函数（Activation functions）对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。它们将非线性特性引入到我们的网络中。可以看出，激活函数主要的两个特性：在人工神经网络上运行的函数

朴素贝叶斯分类贝叶斯原理的由来：贝叶斯为了解决一个叫“逆向概率”问题写了一篇文章，尝试解答在缺乏太多可靠证据的情况下，怎样做出更符合数学逻辑的推测。逆向概率：逆向概率是相对正向概率而言。正向概率的问题很容易理解，比如我们已经知道袋子里面有 N 个球，不是黑球就是白球，其中 M 个是黑球，那么把手伸进去摸一个球，就能知道摸出黑球的概率是多少。这是在了解了事情的全貌再做判断。在现实生活中，我们很难知道

目录1 前言2 个性化推荐系统概述3 个性化推荐系统的常用算法3.1协同过滤推荐3.1基于关联规则的推荐4 个性化推荐系统的技术改进1 前言互联网的高速发展，促进了各行各业的发展，也为电子商务的发展提供了条件。电子商务让企业的销售和获客线下搬到了线上。人们不出门就可以很便捷地在网上购买他们喜欢的东西，提供了购物的效率。但是随着信息的增加，物品品牌和种类爆炸式增长，使消费者面对选择时难以抉择。因为这

为把Bill Inmon和Kimball 两种不同的思路统一起来，Bill Inmon提出了CIF（Corporation Information Factory）架构，核心是把数据仓库分为不同的层次以满足不同场景的需求；每层根据不同的场景采用不同的方案。传统数据仓库1.0的分层：数据源->数据集成平台->数据交换平台->数据集市（数据应用、数据汇总、数据明细）传统数据仓库2.0

1.梯度下降的定义梯度下降是迭代法的一种,可以用于求解最小二乘问题(线性和非线性都可以)。在求解无约束优化问题，如机器学习算法的模型参数，梯度下降（Gradient Descent）是最常采用的方法之一，另一种常用的方法是最小二乘法。在求解损失函数的最小值时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值。在机器学习中，基于基本的梯度下降法发展了两种梯度下降方法，分别为随机

1.激活函数的定义我们看百度百科对激活函数的定义：激活函数（Activation Function），就是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。激活函数（Activation functions）对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。它们将非线性特性引入到我们的网络中。可以看出，激活函数主要的两个特性：在人工神经网络上运行的函数

项目主要介绍几个开源项目：QASystemOnMedicalKG：医疗知识图谱问答https://github.com/liuhuanyong/QASystemOnMedicalKGAgriculture_KnowledgeGraph：农业知识图谱Financial-Knowledge-Graphs：小型金融知识图谱stock-knowledge-graph：小型的证券知识图谱https://gi

尝试减小批次大小（如从 256 降到 32），观察模型是否收敛更快。：统计像素/特征值的分布（如均值、方差），检查是否存在异常值或缺失值。训练损失不下降：可能特征与标签无关，或数据预处理错误（如未归一化）。：增加层数或参数量，若训练集表现提升，则原模型可能过于简单。若简单模型也表现差，则数据可能存在问题（如特征与标签无关）。若验证集表现提升，则原问题可能因欠正则化导致过拟合。：关闭数据增强（如随机

1.梯度下降的定义梯度下降是迭代法的一种,可以用于求解最小二乘问题(线性和非线性都可以)。在求解无约束优化问题，如机器学习算法的模型参数，梯度下降（Gradient Descent）是最常采用的方法之一，另一种常用的方法是最小二乘法。在求解损失函数的最小值时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值。在机器学习中，基于基本的梯度下降法发展了两种梯度下降方法，分别为随机

目录Apriori 算法FP-Growth算法算法原理步骤1 统计各个商品被购买的频次步骤2 构建FP树步骤3 频繁项的挖掘阅读本文需要了解关联挖掘的基本知识，了解关联挖掘的基本原理，参考《[机器学习]关联挖掘介绍》。Apriori 算法Apriori算法就是根据有关频繁项集特性的先验知识而命名的。它使用一种称作逐层搜索的迭代方法，k-项集用于探索（k+1）-项集。首先，找出频繁1-项集的集合．记