专栏目录【政安晨的机器学习笔记】
目录 本篇是作者政安晨的专栏《政安晨的机器学习笔记》的总纲，专栏文章不断更新，这篇目录总纲也会随着专栏不断更新。 机器学习是一种使用计算机算法来解决问题的方法，其主要目标是让计算机通过数据的学习和模式的发现，自动提取知识和经验，并用于预测和决策。机器学习算法主要分为监督学习、无监督学习、半监督学习和强化学习。 在监督学习中，机器学习算法通过已有的标记数据（包含输入和对应的输出）来训练模型，从而预测新输入...
自动化机器学习：让机器学习更智能
自动化机器学习：让机器学习更智能 在当今数据驱动的时代，机器学习技术已经成为了许多行业和领域的核心。然而，随着数据量的增加和模型复杂度的提升，传统的机器学习方法往往需要大量的人力和时间进行调参和优化，这在某种程度上限制了机器学习技术的普及和应用。为了解决这一问题，自动化机器学习应运而生。本文将介绍自动化机器学习的概念、方法以及如何用Python实现自动化机器学习模型的调优。 1. 概述 自动化机器学习旨...
【机器学习基础1】什么是机器学习、预测模型解决问题的步骤、机器学习的Python生态圈
文章目录 一. 什么是机器学习1. 概念2. 机器学习算法分类 二. 利用预测模型解决问题的步骤三. 机器学习的Python生态圈 一. 什么是机器学习 1. 概念 机器学习（Machine Learning，ML）是一门多领域的交叉学科，涉及概率论、统计学、线性代数、算法等多门学科。 它专门研究计算机如何模拟和学习人的行为，以获取新的知识或技能，重新组织已有的知识结构使之不断完善自身的性能。 机器学习...
大数据机器学习：常见模型评估指标
大数据机器学习：常见模型评估指标 一.模型评估综述 1.1 什么是模型评估 模型评估是指在机器学习中，对于一个具体方法输出的最终模型，使用一些指标和方法来评估它的泛化能力。这一步通常在模型训练和模型选择之后，正式部署模型之前进行。模型评估不针对模型本身，而是针对问题和数据，因此可以用来评价不同方法的模型的泛化能力，以此决定最终模型的选择。 1.2 评估类型 机器学习的基本任务大致分为三类，分别是分类(C...
生存分析机器学习
发生的变化的方法，可广泛应用于金融、医疗、保险、交通等领域，比如预测疾病复发风险、评估投资产品收益、估算保险赔付概率等。通过挖掘数据背后的价值，可以帮助我们更好地理解现象、优化决策，实现效益最大化。 机器学习：让数据焕发生机 💡 机器学习则已经渗透到我们生活的方方面面，例如：推荐系统、图像识别、语音识别等。极大地提高了数据处理效率和准确性，将机器学习应用到生存分析中，将让数据分析变得更加高效、智能。 学习...
数据挖掘与机器学习
一. 机器学习的种类 1. 有监督的机器学习 : 分类 : KNN 最近邻 逻辑回归 - 朴素贝叶斯估计 SVM 线性 或 非线性 优化模型 决策树模型 - 随机森林 - 其它集成模型 lightGBM - XGBOOST ...
政安晨：【Keras机器学习示例演绎】（一）—— 利用类 U-Net 架构进行图像分割
目录 下载数据 准备输入图像的路径和目标分割掩码 一幅输入图像和相应的分割掩码是什么样子的？ 准备数据集，以加载和矢量化成批数据 准备 U-Net Xception 风格模型 预留验证分割 训练模型 可视化预测 本文目标：在宠物数据集上从头开始训练的图像分割模型。 下载数据 !!wget https://www.robots.ox.ac.uk/~vgg/data/pets/data/images.tar....
人工智能技术概述_3.机器学习
1.机器学习定义 广义上来说，机器学习指专门研究计算机怎么模拟或实现人类的学习行为以获取新的知识或技能的学科，使计算机重新组织已有的组织结构并不断改善自身的性能。更加精确地说，一个机器学习的程序就是可以从经验数据E中对任务T进行学习的算法，它在任务T的性能度量P会随着对于经验数据E的学习而便得更好。 2.机器学习分类 首先，按照学习模式的不同，机器学习可分为监督学习、无监督...
计算机毕业设计Flask+Vue.js知识图谱音乐推荐系统 音乐爬虫可视化 音乐数据分析 大数据毕设 大数据毕业设计 机器学习 深度学习 人工智能
开发技术 协同过滤算法、机器学习、LSTM、vue.js、echarts、django、Python、MySQL 创新点 协同过滤推荐算法、爬虫、数据可视化、LSTM情感分析、短信、身份证识别 补充说明 适合大数据毕业设计、数据分析、爬虫类计算机毕业设计 介绍 音乐数据的爬取：爬取歌曲、歌手、歌词、评论 音乐数据的可视化：数据大屏+多种分析图【十几个图】 深度学习之LSTM 音乐评论情感分析 交互式协同过...
机器学习——模型融合：Boosting算法
机器学习——模型融合：Boosting算法 1. Boosting核心思想 Boosting算法是一种集成学习方法，其核心思想是通过组合多个弱学习器（即准确率略高于随机猜测的学习器）来构建一个强学习器（即准确率较高的学习器）。在Boosting中，每个弱学习器都在之前学习器的基础上进行训练，以弥补前一个模型的不足，最终形成一个具有较强泛化能力的模型。 2. 基本流程 Boosting算法的基本流程如下：...