logo
publist
写文章

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

【机器学习、深度学习与强化学习】机器学习(1)---机器学习简介

一、前言中的前言那么我们今天开始更机器学习、深度学习和强化学习,参考资料很多,我先列一些我会用到的机器学习、深度学习的参考资料吧:1.西瓜书——周志华《机器学习》2.动手学深度学习——李沐3.B站李沐视频或者斯坦福CS329P4.youtube——李宏毅全套的公开课5.李航——统计学习方法6.吴恩达——机器学习基础7.B站up shuhuai的白板推导系列8.莫凡的python相关课程9.斯坦福大

#机器学习#深度学习
【机器学习、深度学习与强化学习】机器学习(2)---决策树(1)

一、前言我们今天来讲一讲决策树的第一课:简单的决策树我们的背景是这样的:你准备去一家餐厅吃饭,但是餐厅已经满了,你想要知道应不应该等待餐厅出现空位。表格如下:ALT:这附近还有合适的餐厅吗BAR:有等待区可以等候吗FRI:是否是周五PATRONS:有多少人正在吃饭PRICE:价格是否昂贵RES:是否有预约?TYPE:什么菜系EST:预计的等待时间WILLWAIT:是否要等待二、简单的决策树那我们就

#机器学习
【定量分析、量化金融与统计学】统计推断基础(3)---点估计、区间估计

​我发现很多人学了很久的统计学,仍然搞不清楚什么是点估计、区间估计,总是概念混淆,那今天我们来盘一盘统计推断基础的点估计、区间估计。这个系列统计推断基础5部分分别是:总体、样本、标准差、标准误【定量分析、量化金融与统计学】统计推断基础(1)---总体、样本、标准差、标准误样本均值分布、中心极限定理、正态分布【定量分析、量化金融与统计学】统计推断基础(2)---样本均值分布、中心极限定理、正态分布点

#数据分析
【定量分析、量化金融与统计学】R语言线性回归(1):一元线性回归(理论篇)

一、前言我们在讲过ANOVA,MANOVA,今天来说一下线性回归,本篇只做理论,R语言代码会在下一篇讲解。一元线性回归在统计学,计量经济学和机器学习中很常见,我们今天来走一遍一元线性回归的流程。二、变量的关系变量的关系包括很多种,首先是确定性关系:例如:圆的面积S与半径r第二种是依赖型关系:例如:农作物产量与气温,降水,干湿度的关系,你并不能找到一个完美的模型来模拟或者预测这几者的关系。但是,要注

#数据分析
【定量分析、量化金融与统计学】R语言方差分析ANOVA(F检验)

今天来说一说概率论或者统计学中常用的一种检验方式,方差检验ANOVA.根据定义:方差分析(ANOVA)是一组统计模型及其相关估计程序的集合。

#数据分析#r语言
【定量分析、量化金融与统计学】统计推断基础(2)---样本均值分布、中心极限定理、正态分布

​我发现很多人学了很久的统计学,很多总是概念混淆,那今天我们来盘一盘统计推断基础的三个基本概念:样本均值分布、中心极限定理、正态分布。这个系列统计推断基础5部分分别是:总体、样本、标准差、标准误:【定量分析、量化金融与统计学】统计推断基础(1)---总体、样本、标准差、标准误样本均值分布、中心极限定理、正态分布点估计、区间估计I型误差,II型误差假设检验重点在基础概念,基础不牢,地动山摇,不关你是

#数据分析
【定量分析、量化金融与统计学】R语言MANOVA多元方差分析

一、前言之前说过了ANOVA,包括one-way和two-way,虽然没说详细过程,但是建立了一个使用R语言进行ANOVA分析的步骤。今天来进一步说一说MANOVA,那么MANOVA是多元方差分析,注意,这个元字指的是因变量,也就是Dependent Var。所以多元方差分析,是多个因变量的方差分析,但是,two-way ANOVA是只有一个因变量,但是多个自变量,注意区别。另外,MANOVA也分

#数据分析#r语言
【机器学习、深度学习与强化学习】机器学习(2)---决策树(1)

一、前言我们今天来讲一讲决策树的第一课:简单的决策树我们的背景是这样的:你准备去一家餐厅吃饭,但是餐厅已经满了,你想要知道应不应该等待餐厅出现空位。表格如下:ALT:这附近还有合适的餐厅吗BAR:有等待区可以等候吗FRI:是否是周五PATRONS:有多少人正在吃饭PRICE:价格是否昂贵RES:是否有预约?TYPE:什么菜系EST:预计的等待时间WILLWAIT:是否要等待二、简单的决策树那我们就

#机器学习
【数据库CS751】Union的用法以及含义

那么之前说过了各种连接,其实union本质上还是和自然连接,内连接,外连接不同的,union是对结果的结合,而三类连接能使用的范围更广。那么今天就说说Union的用法以及含义

#mysql#数据库
    共 11 条
  • 1
  • 2
  • 请选择