K-Means是一种无监督学习方法，用于将无标签的数据集进行聚类。其中K指集群的数量，Means表示寻找集群中心点的手段。一、 无监督学习 K-Means贴标签是需要花钱的。所以人们研究处理无标签数据集的方法。（笔者狭隘了）面对无标签的数据集，我们期望从数据中找出一定的规律。一种最简单也最快速的聚类算法应运而生—K-Means。它的核心思想很简单：物以类聚。用直白的话简单解释它的算法执行过程如下：

上一篇文章我们介绍了使用逻辑回归来处理分类问题，本文我们讲一个更强大的分类模型。本文依旧侧重代码实践，你会发现我们解决问题的手段越来越丰富，问题处理起来越来越简单。支持向量机(Support Vector Machine, SVM)是最受欢迎的机器学习模型之一。它特别适合处理中小型复杂数据集的分类任务。一、什么是支持向量机SMV在众多实例中寻找一个最优的决策边界，这个边界上的实例叫做支持向量，它们

预测从瞎猜开始按上一篇文章所说，机器学习是应用数学方法在数据中发现规律的过程。既然数学是对现实世界的解释，那么我们回归现实世界，做一些对照的想象。想象我们面前有一块塑料泡沫做的白板，白板上分布排列着数枚蓝色的图钉，隐约地它们似乎存在着某种规律，我们试着找出规律。白板上的图钉（数据）如上图所示，我们有没有一种方法（数学算法）来寻找规律（模型解释）呢？既然不知道怎么做，那我们瞎猜吧！我拿起两根木棒在白

最新emoji大全：emoji列表emoji-listemoji表情列表目录人物自然事物地点符号人物:bowtie: :bowtie::smile: :smile::laughing: :laughing::blush: :blush::smiley: :smiley::relaxed: :relaxed::smirk: :smirk:

本文是机器学习系列的第三篇，算上前置机器学习系列是第八篇。本文的概念相对简单，主要侧重于代码实践。上一篇文章说到，我们可以用线性回归做预测，但显然现实生活中不止有预测的问题还有分类的问题。我们可以从预测值的类型上简单区分：连续变量的预测为回归，离散变量的预测为分类。一、逻辑回归：二分类1.1 理解逻辑回归我们把连续的预测值进行人工定义，边界的一边定义为1，另一边定义为0。这样我们就把回归问题转换成

引言现在市面上的机器学习教程大多先学习数学基础，然后学机器学习的数学算法，再建立机器学习的数学模型，再学习深度学习，再学习工程化，再考虑落地。这其中每个环节都在快速发展，唯独落地特别困难。我们花费大量时间成本去学习以上内容，成本无疑是特别昂贵的。所以我们不如先“盲人摸象”、“不求甚解”地探索下机器学习，浅尝辄止。如果想到自己的应用场景，再学以致用，深入探索。这无疑是使沉没成本最低的决策。本教程适合

大家好，我是蔡永吉。我注册了自己的美国公司做一人公司，我即是AI创业者，也是独立开发者，在探索AI Agent工作流和自动化的道路上，我积累了自己的一些经验。随着人工智能技术的加速演进，正逐渐进入大众视野，并迅速渗透到各类工作流程中。越来越多的企业和个人开始依赖自动化工具替代重复性劳动，从而节省时间、提高效率、解放创造力。在这一背景下，快速崛起，成为连接 AI Agent 与实际业务场景的关键基础

本文收集整理了机器学习相关速查表(Machine Learning Cheatsheet)，包含机器学习、Python、Numpy、Pandas、Matplotlib、线性代数、微积分、统计学、概率论等相关速查表。我已经建立了开源项目MachineLearningCheatsheets，我将持续更新机器学习相关的各种cheatsheet，欢迎star。目录机器学习神经网络架构Azure机器学习算法