4.1　从数据中学习神经网络的特征就是可以从数据中学习。所谓“从数据中学习”，是指可以由数据自动决定权重参数的值。感知机的例子中，我们对照着真值表，人工设定了参数的值，但是那时的参数只有 3 个。而在实际的神经网络中，参数的数量成千上万，在层数更深的深度学习中，参数的数量甚至可以上亿，想要人工决定这些参数的值是不可能的。4.1.1　数据驱动数据是机器学习的命根子。从数据中寻找答案、从数据中发现模式

XGBoostXGBoost（Extreme Gradient Boosting）全名叫极端梯度提升树，XGBoost是集成学习方法的王牌，在Kaggle数据挖掘比赛中，大部分获胜者用了XGBoost。XGBoost在绝大多数的回归和分类问题上表现的十分顶尖最优模型的构建方法我们在前面已经知道，构建最优模型的一般方法是最小化训练数据的损失函数。我们用字母 L表示损失，如下式其中，F是假设空间假设空

混淆矩阵(Confusion Matrix)假设有一个算法，其预测某种癌症的准确率为99.9%。这个算法好吗？99.9%的准确率看上去很高，但是如果这种癌症本身的发病率只有0.1%，即使不训练模型而直接预测所有人都是健康人，这样的预测的准确率也能达到99.9%。 更极端的情况，如果这种癌症本身的发病率只有0.01%，这算法预测的准确率还不如直接预测所有人都健康。 对于极度偏斜的数据(癌症患者的人数

爬虫能做什么爬虫除了能够获取互联网的数据以外还能够帮我们完成很多繁琐的手动操作，这些操作不仅仅包括获取数据，还能够添加数据，比如：投票管理多个平台的多个账户(如各个电商平台的账号)微信聊天机器人实际的应用远不止上面这些，但是上面的应用只是除开数据本身的应用而已，数据本身的应用也是很广的：机器学习语料库垂直领域的服务(二手车估值)聚合服务(去哪儿网,美团)新闻推荐(今日头条)预测和判断(医疗领域)所

聚类无监督学习 (unsupervised learning) 是找出输入数据的模式。比如，它可以根据电影的各种特征做聚类，用这种方法收集数据为电影推荐系统提供标签。此外无监督学习还可以降低数据的维度，它可以帮助我们更好的理解数据。聚类算法：一种典型的无监督学习算法，主要用于将相似的样本自动归到一个类别中。在聚类算法中根据样本之间的相似性，将样本划分到不同的类别中，对于不同的相似度计算方法，会得到

线性神经网络局限性任意多个隐层的神经网络和单层的神经网络都没有区别，而且都是线性的，而且线性模型的能够解决的问题也是有限的神经网络的种类基础神经网络：线性神经网络，BP神经网络，Hopfield神经网络等进阶神经网络：玻尔兹曼机，受限玻尔兹曼机，递归神经网络等深度神经网络：深度置信网络，卷积神经网络，循环神经网络，LSTM网络等卷积神经网络传统意义上的多层神经网络是只有输入层、隐藏层、输出层。其中

深度学习与机器学习的区别机器学习的特征工程步骤是要靠手动完成的，而且需要大量领域专业知识深度学习通常由多个层组成，它们通常将更简单的模型组合在一起，通过将数据从一层传递到另一层来构建更复杂的模型。通过大量数据的训练自动得到模型，不需要人工设计特征提取环节。深度学习算法试图从数据中学习高级功能，这是深度学习的一个非常独特的部分。因此，减少了为每个问题开发新特征提取器的任务。适合用在难提取特征的图像、

4.1　从数据中学习神经网络的特征就是可以从数据中学习。所谓“从数据中学习”，是指可以由数据自动决定权重参数的值。感知机的例子中，我们对照着真值表，人工设定了参数的值，但是那时的参数只有 3 个。而在实际的神经网络中，参数的数量成千上万，在层数更深的深度学习中，参数的数量甚至可以上亿，想要人工决定这些参数的值是不可能的。4.1.1　数据驱动数据是机器学习的命根子。从数据中寻找答案、从数据中发现模式

使用labelimg进行目标检测数据集标注labelimg的安装如果你的电脑安装了python3，在cmd命令行里面执行以下命令即可：pip install labelimg就可以运行。使用labelImg进行图像标注利用Open Dir按钮可以打开需要被标注的图片的文件夹。利用Change Save Dir按钮可以打开标注文件存放的文件夹。利用w快捷键或者点击create\nRectBox可以开

4.1　从数据中学习神经网络的特征就是可以从数据中学习。所谓“从数据中学习”，是指可以由数据自动决定权重参数的值。感知机的例子中，我们对照着真值表，人工设定了参数的值，但是那时的参数只有 3 个。而在实际的神经网络中，参数的数量成千上万，在层数更深的深度学习中，参数的数量甚至可以上亿，想要人工决定这些参数的值是不可能的。4.1.1　数据驱动数据是机器学习的命根子。从数据中寻找答案、从数据中发现模式