- 综合排序
- 最热优先
- 最新优先
- 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。 理解这些数据结构的特性和用法，能帮助我们更好地理解和设计算法。 3. 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. 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 - 来自专栏数据科学与人工智能
3个机器学习算法
这些问题是根据已有数据学习出来的，再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到合适的叶子上。 ? 2、随机森林 在源数据中随机选取数据，组成几个子集： ? 3、ADABOOST adaboost 是 bosting 的方法之一。 bosting就是把若干个分类效果并不好的分类器综合起来考虑，会得到一个效果比较好的分类器。 training的时候，会得到每个feature的weight，例如2和3的开头部分很像，这个feature对分类起到的作用很小，它的权重也就会较小。 ?
58620发布于 2019-05-28 - 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。 3.前沿资源 许多算法正在进行研究。这可以采取扩展，更深入的调查，甚至简单的应用和方法与其他方法的比较的形式。 我把这些资源称为领先优势，因为它们揭示了关于机器学习算法的有用的新的和最先进的信息。 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- 来自专栏量化投资与机器学习
3行代码！78倍！如何加速机器学习算法？
而且深度学习和机器学习算法严重依赖通过for循环执行的矩阵运算。 这就是为什么像numpy等这样包诞生，它们在numpy数组上提供向量化的操作。 我们希望将最大期望算法（Expectation-Maximization algorithm, EM）用于无监督学习（例如，识别MNIST数据集中的手写数字)，并且我们的数据是二进制的(例如，二进制图像 一种常见的方法是将数据建模为伯努利混合模型；一个人伯努利分布的加权和，如果每个分布有自己的标量权重π和自己的平均向量μ，并表示一组数据（例如，如果我们的数据是数字2、3&4的图形，我们使用3伯努利模型， 通过观察这些方程，我们可以看到有3个循环，每个例子 D 有一个循环，每个集群 K 有一个循环，每个对象 D 有一个循环，我们将按这个顺序循环。所以我们要每次用一个元素填充矩阵γ。 ? 3、数学是你的朋友：总是对任何表达式必须返回的维数进行推理；观察相邻的求和操作，因为它们具有相同的维度。 4、一个循环一个循环，一步步：标量→向量→矩阵。 5、取对数，确保引入标准化常数。
1.2K30发布于 2019-10-15 - 来自专栏Python数据科学
3行代码！78倍！如何加速机器学习算法？
而且深度学习和机器学习算法严重依赖通过for循环执行的矩阵运算。 这就是为什么像numpy等这样包诞生，它们在numpy数组上提供向量化的操作。 我们希望将最大期望算法（Expectation-Maximization algorithm, EM）用于无监督学习（例如，识别MNIST数据集中的手写数字)，并且我们的数据是二进制的(例如，二进制图像 一种常见的方法是将数据建模为伯努利混合模型；一个人伯努利分布的加权和，如果每个分布有自己的标量权重π和自己的平均向量μ，并表示一组数据（例如，如果我们的数据是数字2、3&4的图形，我们使用3伯努利模型， 通过观察这些方程，我们可以看到有3个循环，每个例子 D 有一个循环，每个集群 K 有一个循环，每个对象 D 有一个循环，我们将按这个顺序循环。所以我们要每次用一个元素填充矩阵γ。 ?
83510发布于 2019-10-21 - 来自专栏小道
机器学习学习笔记(3) --SparkMLlib部分算法解析
目录 1、线性回归(有监督值预测算法模型) 2、贝叶斯(有监督的基于概率的分类算法模型) 3、KNN最邻近算法(有监督的分类算法) 4、K-Means算法(无监督聚类算法) 5、逻辑回归算法(线性回归分析有监督分类模型 2、贝叶斯(有监督的基于概率的分类算法模型) 机器学习算法中，有种依据概率原则进行分类的朴素贝叶斯算法，正如气象学家预测天气一样，朴素贝叶斯算法就是应用先前事件的有关数据来估计未来某个事件发生的概率 P(A) 称为先验概率(已知) P(B)称为标准化常量(已知) P(B|A)称为似然度(已知) P(A|B)称为后验概率(未知) 如何理解朴素贝叶斯算法？ 下面将从如何通过该算法进行垃圾分类进行分析： ? 3、KNN最邻近算法(有监督的分类算法) 该算法的思路是：如果一个样本空间中的K个最相似的样本中大多数属于某个类别，则该样本也属于这个类别。
77320发布于 2021-04-13 - 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。 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。 用于预测计数 序数 0 用于预测秩序 异常值检测 支持向量机 ○ ○ 2 特别适用于大型特征集 基于PCA的异常检测 ○ ● 3 K-means ○ ● 4 一个聚类算法 算法属性
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？ （4）应用已训练的模型时，如何处理学习率问题？ 本文的内容基于fast.in的工作人员撰写的文章[1]~[3]、[5]，并在其基础上提炼了其中的主要内容。如果您想了解更多，请参考原文。 learn.sched.plot_lr() 现在，我们了解了什么是学习率以及如何系统的确定其初始最优解。 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。 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》
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。 ）； 第三遍 过了一天后，再重复做题； 根据自己不熟悉的题目与程度做专项练习； 专项练习就是针对自己不熟悉的种类的题，从而刻意练习哪一种题； 第四篇 过了一周后，再反复练习； 第五遍 面试前，提前2-3周开始重复练习 ； 总结 这篇笔记中，我们记录了一下关键知识重点点： 如何深入学习一门知识 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 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GPUS开发者
手撕深度学习算法（3）：轻撕LSTM
使用前馈卷积神经网络（convnets）来解决计算机视觉问题，是深度学习最广为人知的成果，但少数公众的注意力已经投入到使用递归神经网络来对时间关系进行建模。 而根据深度学习大牛的阐述，LSTM网络已被证明比传统的RNNs更加有效。 LSTM的表现通常比时间递归神经网络及隐马尔科夫模型（HMM）更好，比如用在不分段连续手写识别上。 对于认真学习的学员，我们将送出NVIDIA限量版笔记本！ ?
1.4K70发布于 2018-04-02 - 来自专栏Java后端修炼
JVM 学习笔记(3)：HotSpot 算法实现的细节
就是用来记录这两部分内容的，后面扫描时直接找到这些对象作为 GC Root 即可； 2、安全点 实际情况不可能给每个指令都创建一个 OopMap ，只有在特定位置——安全点才会去生成 OopMap，那么如何让用户线程移动到安全点暂停呢 HotSpot 中是使用了 内存保护陷阱 方式，如果此时需要暂停用户线程则虚拟机会将轮询指令所在内存页设置为不可访问，当线程访问到这里时会产生一个自陷异常信号，在预先注册的异常处理器中挂起线程等待； 3、
69730编辑于 2022-09-20 - 来自专栏用户画像
机器学习 | 决策树ID3算法
ID3是Quinlan于1979年提出的，是机器学习中一种广为人知的一个算法，它的提出开创了决策树算法的先河，而且是国际上最早最有影响的决策树方法 首先找出最有判断力的特征，把数据分成多个子集，每个子集又选择最有判断力的特征进行划分 一、ID3算法的基本步骤 1）创建一个节点。如果样本都在同一类，则算法停止，把该节点改成树叶节点，并用该类标记。 2）否则，选择一个能够最好的将训练集分类的属性，该属性作为该节点的测试属性。 3）对测试属性中的每一个值，创建相应的一个分支，并据此划分样本。 4）使用同样自顶向下的递归，直到满足下面的三个条件中的一个时，就停止递归 ①给定节点的所有样本都属于同一类。
1.3K30发布于 2021-05-06 - 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 - 来自专栏技术总结
算法（3）
上两篇： 算法（1） 算法（2） 一、常见的时间复杂度 常用的时间复杂度.png 二、最坏情况和平均情况 最坏情况运行时间是一种保证，那就是运行时间将不会再坏了 平均时间是所有情况中最有意义的 对算法的分析，一种方法是计算所有情况的平均值，这种时间复杂度的计算方法称为时间复杂度。另一种方法是计算最坏情况下的时间复杂度，这种方法称为最坏时间时间复杂度。 三、算法空间复杂度 算法的空间复杂度通过计算算法所需的存储空间实现，算法空间复杂度的计算公式记作：S(n) = O(f(n))，其中，n为问题的规模，f(n)为语句关于n所占存储空间的函数. 结尾语： 很多学生，学了四年计算机专业，很多程序员，做了很长时间的编程工作，却始终都弄不明白算法的时间复杂度的估算，这是很可悲的一件事。 算法的重要
76170发布于 2018-05-22 - 来自专栏AI科技大本营的专栏
详解 | 如何用Python实现机器学习算法
在 Kaggle 最新发布的全球数据科学/机器学习现状报告中，来自 50 多个国家的 16000 多位从业者纷纷向新手们推荐 Python 语言，用以学习机器学习。 那么，用Python实现出来的机器学习算法都是什么样子呢？ 营长刚好在 GitHub 上发现了东南大学研究生“Lawlite”的一个项目——机器学习算法的Python实现，下面从线性回归到反向传播算法、从SVM到K-means聚类算法，咱们一一来分析其中的Python 目录 一、线性回归 1、代价函数 2、梯度下降算法 3、均值归一化 4、最终运行结果 5、使用scikit-learn库中的线性模型实现 二、逻辑回归 1、代价函数 2、梯度 3、正则化 4、S型函数（ scikit-learn库中的PCA实现降维 七、异常检测 Anomaly Detection 1、高斯分布（正态分布） 2、异常检测算法 3、评价的好坏，以及的选取 4、选择使用什么样的feature
1.9K81发布于 2018-04-27
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