本章通俗易懂，容易理解，没有太多很难理解的数学公式，适合数学水平一般、零基础入门学习的学生，同时本文章通过python原生代码来实现感知机，从底层原理去深入了解并熟练掌握，只要学过python基础的东西就都能看懂。感知机是由美国学者FrankRosenblatt在1957年提出来的。为何我们现在还要学习这一很久以前就有的算法呢？因为感知机也是作为神经网络(深度学习)的起源的算法。因此，学习感知机的

文章目录一.K近邻算法的基本概念1.1 K近邻算法实现二.K近邻分类三要素2.1 距离度量2.2 K值的选择2.2.1基于m-fold cross validation的 K值选择2.3 决策规则2.3.1 多数表决规则( majority voting rule)2.3.2 基于距离的加权投票三.k近邻算法的实现：kd树3.1 构造kd树3.2 搜索kd树一.K近邻算法的基本概念k近邻算法简单、

卷积神经网络import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layers,Sequential,losses,optimizers,datasets1.卷积层的实现在 TensorFlow 中，既可以通过自定义权值的底层实现方式搭建神经网络，也可以直接调用现成的卷积层类的高层方式快速搭建

文章目录一.聚类的基本概念1.1 相似度或距离1.2 类或簇1.3 类与类之间的距离二.层次聚类2.1 基本概念2.1 算法描述2.3 例题三.K均值聚类3.1 模型3.2 策略3.3 算法3.3.1 K-Means ++ 中的聚类中心初始化算法：3.3.2聚类数 K 的确定3.3.3 K均值聚类算法描述3.4.例题四.密度聚类(DBSCAN)4.1 相关概念4.2 算法描述一.聚类的基本概念聚类

文章目录一.朴素贝叶斯法1.1 实现原理1.2 后验概率最大化二.朴素贝叶斯法的参数估计2.1 极大似然估计2.2 学习与分类算法2.3 朴素贝叶斯分类器例题2.4 贝叶斯估计一.朴素贝叶斯法朴素贝叶斯(naive Bayes)法 是基于贝叶斯定理与特征条件独立假设的分类方法.对于给定的训练数据集，首先基于特征条件独立假设 学习输入/输出的联合概率分布；然后基于此模型，对给定的输入x，利用贝叶斯定

文章目录一.基本形式二.线性回归2.1 离散属性连续化2.2 最小二乘法2.3 多元线性回归2.4 广义线性模型三.对数几率回归（逻辑回归）3.1 最大似然估计四.线性判别分析（LDA）五.类别不平衡问题5.1 欠采样5.2 过采样5.3阙值移动一.基本形式给定由d个属性描述的示例 x= (x1; x2; …; xd) ,其中 xi 是 x 在第 i 个属性上的取值, 线性模型(inear mod

文章目录利用python进行数据分析(第二版)示例一.关于时区的数据分析1.1纯python时区计数1.2使用pandas进行时区计数示例二.电影评分数据分析2.1测量评价分歧示例三.美国1880~2010年的婴儿名字数据分析3.1分析名字趋势'最后一个字母'革命示例四.美国农业部食品数据库数据分析示例五.2012年美国联邦选举委员会数据库数据分析5.1 按职业和雇主进行捐献统计5.2 捐赠金额分

文章目录动量法1. 梯度下降的问题2. 动量法2.1 指数加权移动平均2.2 由指数加权移动平均理解动量法3. 从零开始实现4. 简洁实现小结动量法目标函数有关自变量的梯度代表了目标函数在自变量当前位置下降最快的方向。因此，梯度下降也叫作最陡下降（steepest descent）。在每次迭代中，梯度下降根据自变量当前位置，沿着当前位置的梯度更新自变量。然而，如果自变量的迭代方向仅仅取决于自变量当

文章目录图像增广1. 常用的图像增广方法1.1 翻转和裁剪1.2 变化颜色1.3 叠加多个图像增广方法2. 使用图像增广训练模型2.1 使用图像增广训练模型小结图像增广图像增广（image augmentation） 技术通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。图像增广的另一种解释是，随机改变训练样本可以降低模型对某些属性的依赖，从而提高模型的泛化能

文章目录1.目标检测2. 边界框3.锚框3.1 生成多个锚框3.2 交并比3.3 标注训练集的锚框3.4 输出预测边界框1.目标检测在图像分类任务里，我们假设图像里只有一个主体目标，并关注如何识别该目标的类别。然而，很多时候图像里有多个我们感兴趣的目标，我们不仅想知道它们的类别，还想得到它们在图像中的具体位置。在计算机视觉里，我们将这类任务称为目标检测（object detection）或物体检测