目录1 简介1.1 什么是强化学习1.2 强化学习的主要特点1.3 强化学习的组成部分2强化学习训练过程3强化学习算法归类3.1 Value Based3.2Policy Based3.3 Actor-Critic3.4 其他分类4EE（Explore & Exploit）探索与利用5 强化学习实际开展中的难点6 强化学习的实际应用6.1 自动驾驶6.2 游戏6.3 推荐系统7 Q-lea

目录1 pickle2joblib3安全性和可维护性的局限性4Interoperable formats 可互操作的格式机器学习过程分为训练过程和预测过程。训练过程得到一个模型，预测过程得到预测结果。为了节省时间，最好能够在每次执行预测时，调用已经构造好的模型，而不是每次预测前都需要重新训练一次模型。以“决策树”为例，最好能够在每次执行分类时调用已经构造好的决策树。本文将使用两种方法来实现模型的保

目录1DBSCAN聚类算法2 参数选择3 步骤4 实例5 常用的评估方法：轮廓系数6DBSCAN 算法评价及改进基于密度的聚类是根据样本的密度分布来进行聚类。通常情况下，密度聚类从样本密度的角度出来，来考查样本之间的可连接性，并基于可连接样本不断扩展聚类簇，以获得最终的聚类结果。其中最著名的算法就是 DBSCAN 算法。DBSCA...

1gridSearchCV（网格搜索）sklearn.model_selection.GridSearchCV — scikit-learn 1.0.2 documentationGridSearchCV，它存在的意义就是自动调参，只要把参数输进去，就能给出最优化的结果和参数。但是这个方法适合于小数据集，一旦数据的量级上去了，很难得出结果。这个时候就是需要动脑筋了。数据量比较大的时候可以使用一个快

对时间序列数据进行分析和预测比较完善和精确的算法是博克思-詹金斯(Box-Jenkins)方法，其常用模型包括：自回归模型（AR模型）、滑动平均模型（MA模型）、（自回归-滑动平均混合模型）ARMA模型、（差分整合移动平均自回归模型）ARIMA模型。ARIMA模型（英语：AutoregressiveIntegratedMovingAverage model），差分整合移动平均自回归模型，又称整合移

目录1linux安装conda并创建虚拟环境1.1 下载安装脚本1.2运行安装脚本1.3测试是否安装成功1.4查看当前存在虚拟环境1.5创建虚拟环境1.6激活虚拟环境1.7退出虚拟环境1.8删除虚拟环境1.9打包当前环境中用到的python包名称1.10载入打包的环境2卸载conda1linux安装conda并创建虚拟环境1.1 下载安装脚本conda的地址conda的地址：Index of /a

目录1. 对概率图模型的理解2. 贝叶斯方法2.1 频率派观点2.2 贝叶斯学派2.3 贝叶斯定理2.4 应用：拼写检查3 贝叶斯网络3.1 贝叶斯网络的定义3.2贝叶斯网络的3种结构形式3.2.1 形式1：head-to-head3.2.2 形式2：tail-to-tail3.2.3 形式3：head-to-tail3.3贝叶斯网络的实例3.4 因子图3.4.1 因子图的定义3.4.2 Sum-

目录1 混合模型（Mixture Model）2 高斯模型2.1 单高斯模型2.2高斯混合模型3模型参数学习3.1单高斯模型3.2高斯混合模型4高斯混合模型与K均值算法对比1 混合模型（Mixture Model）混合模型是一个可以用来表示在总体分布（distribution）中含有 K 个子分布的概率模型，换句话说，混合模型表示了观测数据在总体中的概率分布，它是一个由 K 个子分布组成的混合分布

目录1 基于实例的学习2k-最近邻法2.1 算法概述2.2kNN算法的一般流程2.3距离公式2.4k值的选择2.5KNN特点2.5.1特点2.5.2KNN算法的优势和劣势3距离加权最近邻算法k-最近邻算法是基于实例的学习方法中最基本的，先介绍基于实例学习的相关概念。1 基于实例的学习已知一系列的训练样例，很多学习方法为目标函数建立起明确的一般化描述；但与此不同，基于实例的学习方法只是简单地把训练样

https://blog.csdn.net/gzj_1101/article/details/79955340https://baijiahao.baidu.com/s?id=1601390969712055408&wfr=spider&for=pc