- 综合排序
- 最热优先
- 最新优先
- 来自专栏MiningAlgorithms
机器学习11：机器学习算法目录（前）
机器学习算法目录： 一、模型选择与评价： 1，误差：误差由偏差(bias)、方差(variance)和噪声(noise)组成； 2，多分类学习：一对一、一对其余、多对多（参考：西瓜书p63）；单标签二分类 4，支持向量机（SVM）：线性可分向量机、线性不可分向量机； 要点：支持向量机学习的是凸二次规划问题，可以使用SMO算法快速求解； 5，KNN：KD-Tree算法可以不计算全部样本点的距离、 要点：KNN ：条件随机场、GM-HMM、概率计算问题（前向-后向算法）、学习问题（Bawm-Welch算法）、预测问题（Viterbi算法）。 10，概率图模型（参考邱老师的PPT） 11，降维学习：主成分分析（PCA），线性判别分析（LDA）、特征选择；特征降维可分为有监督（LDA）和无监督（LSA、NMF）；主题模型（LDA、LSA） 要点 ReLU，数据增强，feature map）与感知机：常用的激活函数（swith函数等）、前馈神经网络与反馈神经网络、如何逃离鞍点（高维数据中大部分情况是鞍点）、自动微分（AD）与反向传播（BP）的比较
1.1K20发布于 2019-08-08 - 来自专栏运维开发王义杰
如何学习算法
学习算法是计算机科学和编程的重要部分，它能帮助我们更有效地解决问题并提高代码的性能。以下是一些学习算法的建议： 1. 理解基本概念：首先，需要理解算法的基本概念，包括时间复杂度和空间复杂度，这可以帮助我们理解算法的效率。 2. 学习基本的数据结构：数据结构是算法的基础，如数组，链表，堆栈，队列，散列表，树，图等。 学习基本的算法：然后，我们可以开始学习基本的算法，包括排序算法（如冒泡排序，选择排序，插入排序，快速排序等），查找算法（如二分查找），图算法（如深度优先搜索和广度优先搜索），动态规划等。 4. 做练习题：理论学习是重要的，但实践是真正理解算法的关键。我们可以在在线编程平台（如LeetCode，HackerRank等）上做一些算法题。 5. 持续学习和反思：算法是一个深入的主题，需要持续学习和反思。不要担心进展的速度，重要的是理解和掌握。
50110编辑于 2023-08-16 - 来自专栏花狗在Qt
java学习之路：11.数组排序算法
package number; public class Xuexi { public static void main(String[] args) { int arr[]=new int[]{54,67,11,27,13,48,45
59931发布于 2020-10-28 探索11种流行的机器学习算法
在这篇文章中，我们将一起了解11种流行的机器学习算法，并解释它们的作用和可能的使用场景。 由于神经网络的黑箱性质，理解他们如何达到他们的预测可能会非常困难。无监督学习7. 聚类聚类算法是一种无监督的机器学习算法，可以将相似的数据点分组在一起。 找到算法需要的最佳参数以获取最佳结果也可能需要时间。强化学习11. Q学习Q学习是一种模型无关的强化学习算法，用于学习在特定状态下的动作的价值。 企业解决方案越来越多地使用这些算法来解决复杂的问题，简化操作，并从数据中获取有价值的洞察。考虑到我们在这篇博客中介绍的11种算法的深度和多样性，这并不奇怪。 在安全方面，我们利用异常检测来识别威胁，同时使用聚类等算法来个性化搜索体验。希望你现在可以理解机器学习算法有多么多样化和重要，甚至可能得到一两个关于你如何自己使用它们的想法。
1K31编辑于 2024-05-02- 来自专栏新智元
11位机器学习大牛最爱算法全解
【新智元导读】“你最喜欢的机器学习算法是什么？”这个问题有些像“你最喜欢的颜色是什么？”说不重要吧，细究起来，颇有深意。本文摘选一些机器学习大牛在 Quora 的回答，看看他们爱用的算法和原因。 Carlos Guestrin，机器学习 Amazon 教授，Dato CEO 和看电影一样，没有哪个机器学习算法是我的唯一最爱，但有若干的算法是我最喜欢的，每个有每个的理由。 Shehroz Khan，机器学习研究者，多伦多大学博士后 我没有最爱的机器学习算法，因为这样的算法并不存在[1]。不过，我实现的第一个算法是朴素贝叶斯分类器。因此，在某种意义上它对我来说很重要。 在实践中，使用某个你不太了解其如何运转的算法是很危险的…… 因此，你需要找到一个平衡点，不要爱上特定的算法，但也不要钻牛角尖地认为切个洋葱也需要了解 17种不同的分类算法。 但说到最喜欢的，有许多机器学习算法都很重要，属于是机器学习空间中的帕累托集。实际上，机器学习基本理论告诉我们，不存在在所有问题上都最优的单一算法。
88980发布于 2018-03-23 - 来自专栏文章翻译
如何实现机器学习算法
在代码中实现一个机器学习算法可以教你很多关于算法和它的工作原理。 在这篇文章中，您将学习如何有效地实现机器学习算法，以及如何最大限度地从这些项目中学习。 算法理解 实现一个机器学习算法将给你一个关于算法如何工作的深刻和实际的理解。这些知识还可以帮助您对算法的数学描述深化理解，即将向量和矩阵看作是数组，以及对这些结构进行转换的计算直觉。 您正在进行有针对性的研究，并学习如何阅读和实际使用学术出版物。 流程 你能跟着一个流程走，这个流程可以来加速你的学习能力和从零开始手动实现机器学习算法的能力。 程序员（比如数学家）在抽象方面有着独特的技能，你可以看到算法是如何被应用到更一般的一类问题或其他问题的。 限制 你可以通过动手实现机器学习算法学到很多东西，但是也要记住一些缺点。 在考虑如何将其改变为编程不够优雅，但在计算上更高效之前，您可能会发现从较慢直观的复杂算法实现开始是有益的。 示例项目 一些算法比其他算法更容易理解。
93390发布于 2018-02-08 如何实现机器学习算法
在代码中实现一个机器学习的算法能够使你更加了解该算法以及其工作机理。 在这篇文章中，你将学习如何有效地实现机器学习方面的算法，以及最大限度地从中有所收获。 实现机器学习算法的好处 对于如何运用机器学习这一问题，你可以将实现机器学习算法作为一种解决方案。而且你还能够挖掘算法实现方面的相关基础知识以及技能。 算法的理解 实现一个机器学习算法后，你将会对算法是如何工作有一个深刻且实际的印象。通过思考如何将向量和矩阵转化为数组以及这些转化背后的计算直觉，这些知识还能够帮助你理解算法数学描述的内在。 你不得不查找以及阅读算法的多个规范和正式描述。你也可能找到并编写代码来检查算法的其他实现，以验证你的理解。你正在进行有针对性的研究，并学习如何阅读和实际运用上关于该研究的出版物。 对代码进行良好注释并确保提供有关如何构建和使用它的说明。这个项目能够为你正在学习的技能提供市场，甚至可以会为其他正准备进入机器学习领域的人提供灵感和帮助。
1.2K100发布于 2018-02-02如何研究机器学习算法
算法是机器学习领域的重要组成部分。 您需要了解哪些算法在那里，以及如何有效地使用它们。 简化这一知识的简单方法是查看已知的算法，并对其进行研究。 你可以描述一个算法如何作为一个数学方法，但要理解它的行为在实践中，你必须研究它的行动。 您可以通过对算法进行实验，将其应用于很多问题，并提炼出其行为方式，以及如何在面对不同的问题类型时揭露和利用这些行为。 或者，您可以采取的捷径是深入了解其他人在您之前了解的算法。 4.用法启发式来源 在实际应用中研究机器学习算法时，使用启发式算法和最佳实践可能是您感兴趣的关键信息类型。 使用启发式源提供了一个关于如何在实践中使用给定的机器学习算法的专家描述。 这些资源是由专家或半专家在图书馆和工具中作为例子提供机器学习算法的实现。样本可能会根据许可或开源许可证发布，供您学习。 这些资源是很好的想法如何给机器学习算法可以被转换成一个可执行和可用的系统。
1.9K70发布于 2018-02-23- 来自专栏CSDN技术头条
如何选择机器学习算法
如何针对某个分类问题决定使用何种机器学习算法？当然，如果你真心在乎准确率，最好的途径就是测试一大堆各式各样的算法（同时确保在每个算法上也测试不同的参数），最后选择在交叉验证中表现最好的。 其主要缺点是它学习不了特征间的交互关系（比方说，它学习不了你虽然喜欢甄子丹和姜文的电影，却讨厌他们共同出演的电影《关云长》的情况）。 与决策树与支持向量机相比，你还会得到一个不错的概率解释，你甚至可以轻松地利用新数据来更新模型（使用在线梯度下降算法）。 它的一个缺点就是不支持在线学习，于是在新样本到来后，决策树需要全部重建。另一个缺点是容易过拟合，但这也就是诸如随机森林（或提升树）之类的集成方法的切入点。 尽管如此，回想一下，好的数据却要优于好的算法，设计优良特征是大有裨益的。假如你有一个超大数据集，那么无论你使用哪种算法可能对分类性能都没太大影响（此时就根据速度和易用性来进行抉择）。
841100发布于 2018-02-09 - 来自专栏Michael阿明学习之路
C++ Primer 第11章 泛型算法 学习总结
11.2 算法 11.2.1 只读算法 1.find函数 find（起始迭代器，终止迭代器，搜索值） 搜索范围不包含终止迭代器位置，函数返回迭代器类型 #include<iostream> #include 带有单个目标迭代器的算法 dest 形参是一个迭代器，用于指定存储输出数据的目标对象。算法假定无论需要写入多少个元素都是安全的。 带第二个输入序列的算法 算法同时使用 beg2 和 end2 时，这些迭代器用于标记完整的第二个范围。 11.4.2 算法命名规范 a. 区别带有一个值或一个谓词函数参数的算法版本 很多算法通过检查其输入范围内的元素实现其功能。 这些算法包括 sort 及其相关的算法。 还有一些其他的泛型算法，如 merge、remove、reverse 和 unique，虽然可以用在 list 上，但却付出了性能上的代价。
1.4K10发布于 2021-02-20 - 来自专栏跟着小郑学JAVA
【软考学习11】死锁问题和银行家算法
本文学习了操作系统进程中的死锁问题，了解死锁产生原因，学习避免死锁的最低资源数计算，最后讲解了如何使用银行家算法来避免死锁现象。 ---- 三、银行家算法 系统发生死锁是很正常的，我们需要主动去预防死锁，即进行有序的资源分配，使用银行家算法。 银行家算法是最有代表性的避免死锁的算法。 为什么叫银行家算法呢？ 加入系统中有三类互斥资源 R1、R2、R3，可用资源数分别是 9、8、5，在指定时刻有 P1、P2、P3、P4 和 P5 这五个进程，这些进程的对三类互斥资源的最大需求量和已分配资源数如下表所示，那么系统如何先后运行这五个进程 或 ---- 银行家算法总结 银行家算法的核心思想，就是在分配给进程资源前，首先判断这个进程的安全性，也就是预执行，判断分配后是否产生死锁现象。 ---- 四、总结 本文学习了操作系统进程中的死锁问题，了解死锁产生原因，学习避免死锁的最低资源数计算，最后讲解了如何使用银行家算法来避免死锁现象。
2K31编辑于 2023-08-01 - 来自专栏python3
python学习(11)
位置参数 传入参数顺序 、个数必须一致 def add(a,b): return a + b
53110发布于 2020-01-14 - 来自专栏Android 技术栈
如何学习数据结构与算法
什么是算法？ 从广义上讲，数据结构就是指一组数据的存储结构。算法就是操作数据的一组方法。 从狭义上讲，也就是我们专栏要讲的，是指某些著名的数据结构和算法，比如队列、栈、堆、二分查找、动态规划等。 数据结构和算法解决的是如何更省、更快地存储和处理数据的问题。 10个算法： 递归、排序、二分查找、搜索、哈希算法、贪心算法、分治算法、回溯算法、动态规划、字符串匹配算法。 学习技巧： 边学边练，适度刷题 多问、多思考、多互动 打怪升级学习法 我们在枯燥的学习过程中，也可以给自己设立一个切实可行的目标 知识需要沉淀，不要想试图一下子掌握所有 ----
58450发布于 2019-04-19 - 来自专栏PPV课数据科学社区
如何选择Microsoft Azure机器学习算法
编者按：机器学习的算法很多，如何选择一直是初学者的一个痛点。本文给出了机器学习算法选择的方法和实例，不仅适用于Microsoft Azure框架，同样可以应用于其他场合。 这取决于算法上的数学知识如何转换为您正在使用的计算机的指令。这取决于你有多少时间。在尝试之前，即使是最有经验的数据科学家也不知道哪种算法的性能最好。 1、机器学习算法速查卡 Microsoft Azure机器学习算法速查卡可以帮助您从Microsoft Azure机器学习算法库中为您的预测分析解决方案选择正确的机器学习算法。 本文将向您介绍如何使用它。 如何使用速查卡 用标签“For <path label> use <algorithm>”读取图表上的路径和算法。
1.4K60发布于 2018-04-24 - 来自专栏新智元
AI算法如何学习写作政治演讲？
该机器已经学会如何写作与真实演讲极其相似的政治演讲稿。 这个方法在原理上很直白。Kassarnig用了53次美国国会议员讨论会中将近4000个政治演讲片段数据集来训练机器学习算法生成演讲。 当然，如何分析这些数据库才是重点。尝试了很多技术之后，Kassarnig选定了一个方法，该方法基于n元短语模型（n-grams），n个词汇或短语的序列。 Kassarnig以告诉算法它应该写哪种演讲作为开始——是为民主党还是为共和党而写。接着这个算法会挖掘该类别演讲的6元短语数据库来找到这类演讲中所有被用作开头的5元词语。 这个系统应该是这样运行的，破产法庭通过评估包括收入、资产、以及债务在内的众多因素来决定哪些债务可以被偿还、消费者能够如何重新恢复元气。请维护他们的成长并给予他们机会。请通过这项法律吧！” 他说，也许可能是因为想要利用该算法的不择手段的政治家太稀少了吧（咳）。 然而，这种算法可被用于生成其他类型的文本。
1.3K50发布于 2018-03-14 - 来自专栏AILearning
【机器学习实战】第11章 使用 Apriori 算法进行关联分析
第 11 章 使用 Apriori 算法进行关联分析 关联分析 关联分析是一种在大规模数据集中寻找有趣关系的任务。 相关术语 关联分析（关联规则学习): 从大规模数据集中寻找物品间的隐含关系被称作 关联分析(associati analysis) 或者 关联规则学习（association rule learning 假设想找到支持度大于 0.8 的所有项集，应该如何去做呢？ 一个办法是生成一个物品所有可能组合的清单，然后对每一种组合统计它出现的频繁程度，但是当物品成千上万时，上述做法就非常非常慢了。 * 训练数据：使用Apiori算法来找到频繁项集。 * 测试算法：不需要测试过程。 * 使用算法：用语发现频繁项集以及物品之间的关联规则。 前面我们介绍了用于发现 频繁项集 的 Apriori 算法，现在要解决的问题是如何找出 关联规则。
2.3K60发布于 2018-01-15 - 来自专栏算法工程师之路
每日算法题：Day 11
作者：TeddyZhang，公众号：算法工程师之路 Day 11, 概率统计知识点走起~ 1 编程题 【剑指Offer】栈的压入，弹出序列 输入两个整数序列，第一个序列表示栈的压入顺序，请判断第二个序列是否可能为该栈的弹出顺序 2/3)^2*(1/3) = 12/27 相加之和为20/27，约为0.74 【概率统计】某单位组织党员参加党史，党风廉政建设，科学发展观和业务能力四项培训，要求每名党员参加且只能参加其中的两项，无论如何安排
69910发布于 2019-08-13 - 来自专栏决策智能与机器学习
解读技术 |学习率及其如何改善深度学习算法
这篇文章主要是介绍我对以下问题的理解： （1）什么是学习率（learning Rate）?它的意义是什么？ （2）如何系统的达到一个好的学习率？ （3）为什么在模型训练过程中要改变学习率？ 在实际应用中，学习率应设置在拐点偏左一点，如图4中，可以设为0.001至0.01。 ? 图4 学习率（对数坐标） 如何开始应用上述方法 如今，该方法可以作为fast.ai工具包的一个函数进行调用。 接下来，我们来学习如何应用学习率来提高模型的性能。 经典方法 通常，当我们设置好学习率，并开始训练模型后，只需要等待学习率不断减小，直到模型最终收敛。 比如，在解决图像分类问题时，学员会学习如何使用已训练模型（如VGG或Resnet50），并将其与任一图像数据集连接，用于解决你想预测的问题。 以上的几个步骤中，步骤2、5和7都是有关学习率的。步骤2其实就是我们前面讲到的，如何在训练模型前找到最佳的学习率。
1.6K30发布于 2020-08-04 - 来自专栏技术银河
如何高效学习数据结构与算法《学习笔记》
前言 本文是个人基于覃超老师的《算法训练营》的学习笔记，此笔记的内容都是学习后的个人记录、个人总结、理解和思想。仅供参考学习。 所以小时不学算法，长大掉头发。 这系列的《算法学习笔记》，与大家一起重温或者学习数据结构与算法。 ✨ 如何系统化学习算法 深入到精通一门知识的我们都需要一个系统化的学习方法，如果这门知识越是有难度，前期就越是枯燥无味，或者甚至觉得很困难。 通过系统化学习一门知识； 最高效和持续的学习算法就是通过系统化的学习； 这里推荐大家，真的想学好一个技术，最好的方法就是找对老师，找对课程，找对人； 如何攻破庞大的知识体系变成编程职业高手 切碎知识点与建立脉络 没有闯过这些关卡的童鞋，无论前端能力如何，这个可以锻炼我们自己，也可以深入知道我们自己的前端水平和差距。想学习前端的童鞋可以从零开始学习，一起排除困难共同打开前端大门！ ?
1K31发布于 2020-10-29 - 来自专栏机器之心
深度 | 学习如何学习的算法：简述元学习研究方向现状
选自TowardsDataScience 作者：Cody Marie Wild 机器之心编译 参与：李诗萌、李泽南 要想实现足够聪明的人工智能，算法必须学会如何学习。 元学习的问题在于「我该如何建立一个可以很快学习新任务的模型」，而单样本学习的问题在于「我该如何建立一个在看过一类的一个样本后，就能学会该如何将这一类分出来的模型」。 这些参数就像是学习率、动量以及权重之于自适应学习率算法。我们在此沿着修改学习算法本身的轨道修改参数，但是有局限性。 从这个意义上讲，RNN 在学习一个可以决定如何能最好地探索空间、还可以更新其最好策略概念的算法，同时使该算法在任务的一组分布上得到很好的效果。 没人可以仅从自己的经验中就提取出这些信息，所以除非我们找出如何做出与学习算法相似的事，否则我怀疑我们是否真的可以通过整合这个世界上的知识建立模型，从而解决问 原文链接：https://towardsdatascience.com
1.1K50发布于 2018-05-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号