【机器学习】四大类监督学习_模型选择与模型原理和场景应用_第03课
兴趣分类：通过分析用户在社交平台上的活动，对其兴趣爱好进行分类，以便推送相关广告或内容。 这些场景下的分类任务都是通过构建一个基于标签数据训练出的模型来完成的，模型可以基于统计学习理论、神经网络或其他机器学习算法。 为分类问题选择特定合适的算法，就像如何选择一双适合脚的鞋一样，我们需要知道脚的大小，和脚穿什么鞋会感到舒服，这时需要我们来理解算法，以下是一些算法的原理： 监督学习中对模型进行2个大类划分，一...
【机器学习实例讲解】机器学习-鸢尾花数据集多分类第02课
问题定义与理解： 明确机器学习任务的目标，是分类、回归、聚类、强化学习还是其他类型的问题。 确定业务背景和需求，了解所处理数据的现实意义。 数据收集： 根据任务目标从各种来源获取原始数据，可以是数据库、文件、传感器、网络日志等。 数据预处理： 数据清洗：处理缺失值、异常值、重复值等问题。 数据转换：对数据进行规范化、标准化、归一化等操作以适应模型要求。 特征编码：将非数值特征（如类别标签）转化为数值形式...
【机器学习故事】“超市货架上的智慧：如何通过机器学习优化商品布局，引爆销售热潮“
地想象着顾客们满载而归的场景。然而，生意并没有你想象的那么好。你发现有些商品似乎总是卖不出去，而有些商品则经常缺货。你开始思考，是不是可以通过某种方式优化商品的摆放位置，从而提升销售额呢？ 你决定利用机器学习技术来分析顾客的购物习惯。你收集了一段时间内的销售数据，并注意到一个有趣的现象：买烧烤酱和薯片的人往往也会购买牛排。这是一个非常有价值的关联规则！你意识到，如果将这几样商品摆放得更近一些，或许能激发顾...
【机器学习故事版】《围棋小将的智慧之旅》
在一个遥远的围棋王国里，住着一个名叫Q-learner的小棋手。这个王国里的棋盘简化成了3x3大小（实际围棋远大于此，但为了方便理解，我们先从简单开始）。 有一天，Q-learner决定通过学习来提升自己的棋艺。他找来一本神秘的《围棋秘诀》，书中记载了一种神奇的方法——Q-learning。Q-learner准备了一块干净的棋盘（SimpleGoEnv环境）， class SimpleGoEnv(Env...
机器学习：自然语言处理介绍
机器学习在自然语言处理（NLP）领域扮演着关键的角色，它利用算法和统计模型来处理和理解人类语言。以下是一些与机器学习和自然语言处理相关的关键概念和技术： 文本分类： 机器学习可以用于对文本进行分类，例如将文本分为不同的类别，如垃圾邮件过滤、情感分析等。常见的算法包括朴素贝叶斯、支持向量机（SVM）和深度学习模型。 命名实体识别（NER）： NER 是从文本中识别并分类命名实体（如人名、地名、组织名等）的...
机器学习顶会ICML 2024今日开放投稿，CCF A类，中稿率27.94%（附ICML23杰出论文+18篇高分论文）
ICML 2024今天开放投稿了！距离截稿还有24天，想冲ICML的同学速度！ ICML 全称 International Conference on Machine Learning，由国际机器学习学会（IMLS）举办，与NIPS一同被认为是人工智能、机器学习领域难度最高的国际会议（含金量也超高）。 值得一提的是，ICML收录的文章中，中国作为第一作者单位的占比最高，高达51.45%。 文末附ICML2...
机器学习：数据处理与特征工程
机器学习中的数据处理和特征工程是非常关键的步骤，它们直接影响模型的性能和泛化能力。以下是一些常见的数据处理和特征工程技术： 数据处理： 缺失值处理： 处理数据中的缺失值，可以选择删除缺失值、填充均值/中位数/众数，或使用插值方法。 异常值处理： 检测和处理异常值，可以使用统计方法或基于模型的方法。 数据标准化和归一化： 将不同特征的值范围缩放到相似的尺度，以避免某些特征对模型的影响过大。 类别特征编码：...
机器学习的几个需求层次
机器学习不是“屠龙之技”，它从诞生开始就立足于解决实际问题。你要解决什么样的问题，才决定你需要学习什么样的知识，以及学到什么程度。知道自己需要什么，带着目的去学习确实才是最有效率的。 结合实际问题，分享我对机器学习知识的三个需求层次。 设计需求层次：这一层次主要关注于确定机器学习的目标和任务，以及定义问题和需求。例如，在设计一个购物网站时，需要确定用户掏腰包的目标，并明确希望通过机器学习实现商品推荐功能。...
新手可理解的PyTorch 损失函数：优化机器学习模型的关键
中，L1Loss 是一个非常重要的损失函数，主要用于衡量模型预测值和真实值之间的差异。这个函数计算的是预测值和目标值之间的平均绝对误差（Mean Absolute Error, MAE）。在深度学习和机器学习中，损失函数是衡量模型性能的关键指标，L1Loss 在回归问题中尤其有用。 用途 回归问题: 在处理回归问题时，L1Loss 能有效地量化预测值和实际值之间的差异。异常值: 相比于平方误差损失（L2损...
机器学习与深度学习——使用paddle实现随机梯度下降算法SGD对波士顿房价数据进行线性回归和预测
文章目录 机器学习与深度学习——使用paddle实现随机梯度下降算法SGD对波士顿房价数据进行线性回归和预测一、任务二、流程三、完整代码四、代码解析五、效果截图 机器学习与深度学习——使用paddle实现随机梯度下降算法SGD对波士顿房价数据进行线性回归和预测 随机梯度下降（SGD）也称为增量梯度下降，是一种迭代方法，用于优化可微分目标函数。该方法通过在小批量数据上计算损失函数的梯度而迭代地更新权重与偏...