政安晨：专栏目录【TensorFlow与Keras实战演绎机器学习】
本篇是作者政安晨的专栏《TensorFlow与Keras实战演绎机器学习》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。 TensorFLow简述 TensorFlow给自己的定位是端到端机器学习平台，作者政安晨对TensorFlow的简述如下： 导入和使用TensorFlow其实并不难： import tensorflow as tf 关键是如何循序渐进地入门，并针对某个具体目标开展实例...
机器学习 - 创建一个PyTorch classification model
紧接上一篇文章机器学习-神经网络分类 继续描述 先得将数据从 numpy arrays 移到 PyTorch tensor 里。 import torch # 将数据从numpy移到PyTorch tensors里X = torch.from_numpy(X).type(torch.float)y = torch.from_numpy(y).type(torch.float) 之后，将数据分成训练集...
机器学习的实践
机器学习的实践涉及一系列步骤，从理解问题到部署模型，并最终实现模型的持续改进。以下是实践机器学习项目时的详细步骤： 1. 问题定义 理解问题：首先，需要准确理解需要解决的问题，这包括问题的性质、目标以及预期结果。确定目标：明确项目的目标，例如减少误差率、提高准确率或者优化用户体验。 2. 数据获取与处理 数据收集：根据项目需求收集相应的数据。数据可以来自内部数据库、公开数据集或者是通过爬虫获取的网络数据。...
机器学习导论：概念、分类与应用场景
目录 1.引言 2. 机器学习基本概念与分类方法 2.1. 基本概念 1.2. 分类方法 3.主要应用场景与现实案例剖析 3.1. 推荐系统 3.2. 金融风控 3.3. 医学诊断 3.4. 自然语言处理 4.结束语 1.引言 在数字化时代，数据已成为驱动社会进步的关键要素。而机器学习，作为数据分析和处理的重要工具，正在逐步改变我们的生活、工作和思考方式。机器学习不仅仅是一...
机器学习 - 神经网络分类
什么叫做分类问题？ A classification problem involves predicting whether something is one thing or another. 做 classification problem 步骤： Architecture of a classification neural networkGetting binary classification...
机器学习的概念、步骤、分类和实践
作为资深人工智能专家，对机器学习有着深入的研究和实践经验。以下是对机器学习概念、步骤、分类和实践的逐步分析： 一、机器学习概念 机器学习是人工智能的一个子集，它让计算机从数据中学习并改进其性能，而无需进行明确的编程。机器学习算法通过分析和处理大量数据，自动发现模式、规律和关系，并据此做出预测或决策。这种能力使得机器学习在各个领域都有广泛的应用，如图像识别、语音识别、自然语言处理、推荐系统等。 二、机器学习...
机器学习——AdaBoost算法
机器学习——AdaBoost算法 在机器学习领域，AdaBoost算法是一种非常流行的集成学习方法，旨在提高分类器的性能。本篇博客将介绍AdaBoost算法的原理、算法流程、算法参数，对比AdaBoost和随机森林的区别，并使用Python实现AdaBoost算法，并给出总结。 1. 原理 AdaBoost算法（Adaptive Boosting）是一种迭代的集成学习算法，通过迭代地训练一系列弱分类器（...
机器学习——决策树特征选择准则
机器学习——决策树特征选择准则 决策树是一种强大的机器学习模型，它可以用于分类和回归任务。决策树通过树状结构对数据进行分类，每个内部节点表示一个特征，每个叶节点表示一个类别或一个数值。在决策树构建的过程中，特征的选择准则起着至关重要的作用。本篇博客将介绍决策树模型以及常用的特征选择准则，包括熵和条件熵、信息增益、信息增益比和基尼指数，并通过Python代码实现。 1. 决策树模型 决策树是一种基于树状结...
机器学习——XGBoost算法
机器学习——XGBoost算法 XGBoost（eXtreme Gradient Boosting）是一种高效且灵活的机器学习算法，广泛应用于数据挖掘、自然语言处理和推荐系统等领域。它是基于梯度提升树（Gradient Boosting Decision Trees，GBDT）算法的改进版本，在目标函数的定义和求解、节点分裂算法、缺失值处理和算法系统层优化等方面进行了改进和优化。本文将介绍XGBoost...
机器学习金融应用技术指南
1 范围 本文件提供了金融业开展机器学习应用涉及的体系框架、计算资源、数据资源、机器学习引擎、机 器学习服务、安全管理、内控管理等方面的建议。 本文件适用于开展机器学习金融应用的金融机构、技术服务商、第三方安全评估机构等。 2 规范性引用文件 下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件， 仅该日期对应的版本适用于本文件； 不注日期的引用文件，其最新版本（包括...