1、使用机器学习来解决问题，我们用数学语言来描述它，然后建立一个模型，例如回归模型或者分类模型等来描述这个问题； 2、通过最小化误差、最大似然、最大后验概率等等建立模型的代价函数，转化为最优化问题。找到最优化问题的解，也就是能拟合我们的数据的最好的模型参数； 3、求解这个代价函数，找到最优解。 求最...
分类：
编程语言 时间：
2015-10-01 22:58:30
阅读次数：
497
摘自：http://www.jianshu.com/p/c3634a7f2320机器学习算法Coursera 上面 Stanford 的 机器学习 课程是优质的算法相关入门课程。Andrew Ng 是 Coursera 的创始人，也是 Stanford 的老师。这个课程最大的特点是对机器学习算法的推...
分类：
其他好文 时间：
2015-09-19 16:38:15
阅读次数：
201
前部为英文原文，原文链接：http://machinelearningmastery.com/understand-machine-learning-algorithms-by-implementing-them-from-scratch/后部为中文翻译，本文中文部分转自：http://www.cs...
分类：
编程语言 时间：
2015-09-18 11:39:42
阅读次数：
459
1、C4.5C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法.C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进： 1)用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；2)在树构造过程中进行剪枝；3)能够完成对连续属性的离散...
分类：
编程语言 时间：
2015-09-16 21:33:20
阅读次数：
180
如何选择特征，画出密度曲线来判断，看哪些特征能更好地进行分类泛化: 概括地说，所谓泛化能力（generalization ability）是指机器学习算法对新鲜样本的适应能力。学习的目的是学到隐含在数据对背后的规律，对具有同一规律的学习集以外的数据，经过训练的网络也能给出合适的输出，该能力称为泛化....
分类：
其他好文 时间：
2015-09-15 16:12:15
阅读次数：
174
矩阵分解之奇异值分解引言首先说矩阵，矩阵是一个难理解的数学描述，不管是在本科阶段的线性代数课上还是在研究生阶段的矩阵分析课上，都没有使我对矩阵产生什么好感，虽然考试也能过关，基本知识也能理解，但就是不知道有卵用。直到接触了机器学习相关算法论述时，发现好多的机器学习算法最终的描述都是通过矩阵分析相关知识推导而来，才知道了矩阵分析是非常有用的，但是到现在为止，还是没有什么好感。然后为什么要讲到奇异值分解...
分类：
其他好文 时间：
2015-09-15 11:10:54
阅读次数：
276
概率是许多机器学习算法的基础，在前面生成决策树的过程中使用了一小部分关于概率的知识，即统计特征在数据集中取某个特定值的次数，然后除以数据集的实例总数，得到特征取该值的概率。之前的基础实验中简单实现了朴素贝叶斯分类器，并正确执行了文本分类，这一节将贝叶斯运用到实际场景，垃圾邮件过滤这一实际应用。...
分类：
其他好文 时间：
2015-09-15 00:18:48
阅读次数：
232
概率是许多机器学习算法的基础，在前面生成决策树的过程中使用了一小部分关于概率的知识，即统计特征在数据集中取某个特定值的次数，然后除以数据集的实例总数，得到特征取该值的概率。...
分类：
其他好文 时间：
2015-09-12 00:52:33
阅读次数：
222
机器视觉中，常用到协方差相关的知识，特别是基于统计框架下的机器学习算法，几乎无处不在的用到它，因此了解协方差是再基础不过的了。这里推荐一个很不错的基础教程：协方差的意义和计算公式 均值和方差 引入协方差之前，先简单回顾下概率统计中的两个重要基础概念：均值和方差。均值，顾名思义就是一堆样本的平均值，方...
分类：
其他好文 时间：
2015-09-11 12:09:58
阅读次数：
222
机器学习无疑是现在数据分析领域的一个重要内容，凡事从事IT工作领域的人都在平时的工作中或多 或少的会用到机器学习的算法。机器学习有很多算法，不过大的方面可分为两类：一个是学习的方式，一个是算法的类似性。学习方式：根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会...
分类：
编程语言 时间：
2015-09-06 14:36:14
阅读次数：
235
