10 2022 档案
摘要：
11-1 什么是支持向量机 11-2 支持向量机的效用函数推导 11-3 Soft Margin和SVM的正则化 11-4 scikit-learn中的SVM Notbook 示例 Notbook 源码 1 scikit-learn中的SVM 2 [2] 3 import numpy as np 4
阅读全文
11-1 什么是支持向量机 11-2 支持向量机的效用函数推导 11-3 Soft Margin和SVM的正则化 11-4 scikit-learn中的SVM Notbook 示例 Notbook 源码 1 scikit-learn中的SVM 2 [2] 3 import numpy as np 4
阅读全文
摘要：
该笔记基于什么？ 基于python3玩转机器学习这个视频， 链接：https://pan.baidu.com/s/1grK-uhV3OfO7CVRhpk3XRw提取码：1234 该笔记的主要内容与结构是什么？ 主要由视频里的PPT截图（基本涵盖所有）、 Jupyter Notbook里的运行截图 以
阅读全文
该笔记基于什么？ 基于python3玩转机器学习这个视频， 链接：https://pan.baidu.com/s/1grK-uhV3OfO7CVRhpk3XRw提取码：1234 该笔记的主要内容与结构是什么？ 主要由视频里的PPT截图（基本涵盖所有）、 Jupyter Notbook里的运行截图 以
阅读全文
摘要：
各函数包与函数模块之间的所属关系如图： 注意，所有函数包以及Notbook文件都是所属父文件夹的同级别文件，只有这样才能顺利调用所需函数 各函数包如下： kNN 1 import numpy as np 2 from math import sqrt 3 from collections impor
阅读全文
各函数包与函数模块之间的所属关系如图： 注意，所有函数包以及Notbook文件都是所属父文件夹的同级别文件，只有这样才能顺利调用所需函数 各函数包如下： kNN 1 import numpy as np 2 from math import sqrt 3 from collections impor
阅读全文
摘要：
3-1 jupyter notebook基础 Notbook 示例 Notbook 源码 1 [1] 2 for x in range(5): 3 print('hello world') 4 hello world 5 hello world 6 hello world 7 hello world
阅读全文
3-1 jupyter notebook基础 Notbook 示例 Notbook 源码 1 [1] 2 for x in range(5): 3 print('hello world') 4 hello world 5 hello world 6 hello world 7 hello world
阅读全文
摘要：
2-1 机器学习世界的数据 2-2 机器学习的主要任务 2-3 监督学习，非监督学习，半监督学习和增强学习 2-4 批量学习，在线学习，参数学习和非参数学习 2-5 和机器学习相关的哲学思考
阅读全文
2-1 机器学习世界的数据 2-2 机器学习的主要任务 2-3 监督学习，非监督学习，半监督学习和增强学习 2-4 批量学习，在线学习，参数学习和非参数学习 2-5 和机器学习相关的哲学思考
阅读全文
摘要：
1-1导学 1-2 课程涵盖的内容和理念
阅读全文
1-1导学 1-2 课程涵盖的内容和理念
阅读全文
摘要：
10-1 准确度的陷阱和混淆矩阵 10-2 精准率和召回率 10-3 实现混淆矩阵，精准率和召回率 Notbook 示例 Notbook 源码 1 [1] 2 import numpy as np 3 from sklearn import datasets 4 [2] 5 digits = dat
阅读全文
10-1 准确度的陷阱和混淆矩阵 10-2 精准率和召回率 10-3 实现混淆矩阵，精准率和召回率 Notbook 示例 Notbook 源码 1 [1] 2 import numpy as np 3 from sklearn import datasets 4 [2] 5 digits = dat
阅读全文
摘要：
9-1 什么是逻辑回归 Notbook 示例 Notbook 源码 1 Sigmoid 函数 2 [1] 3 import numpy as np 4 import matplotlib.pyplot as plt 5 [2] 6 def sigmoid(t): 7 return 1 / (1 +
阅读全文
9-1 什么是逻辑回归 Notbook 示例 Notbook 源码 1 Sigmoid 函数 2 [1] 3 import numpy as np 4 import matplotlib.pyplot as plt 5 [2] 6 def sigmoid(t): 7 return 1 / (1 +
阅读全文
摘要：
8-6 验证数据集与交叉验证 Nnotbook 示例 Notbook 源码 1 交叉验证 2 [1] 3 import numpy as np 4 from sklearn import datasets 5 [2] 6 digits = datasets.load_digits() 7 X = d
阅读全文
8-6 验证数据集与交叉验证 Nnotbook 示例 Notbook 源码 1 交叉验证 2 [1] 3 import numpy as np 4 from sklearn import datasets 5 [2] 6 digits = datasets.load_digits() 7 X = d
阅读全文
摘要：
8-1 什么是多项式回归 Notbook 示例 Notbook 源码 1 [1] 2 import numpy as np 3 import matplotlib.pyplot as plt 4 [2] 5 x = np.random.uniform(-3, 3, size=100) 6 X = x
阅读全文
8-1 什么是多项式回归 Notbook 示例 Notbook 源码 1 [1] 2 import numpy as np 3 import matplotlib.pyplot as plt 4 [2] 5 x = np.random.uniform(-3, 3, size=100) 6 X = x
阅读全文
摘要：
7-1 什么是PCA 7-2 使用梯度上升法求解PCA问题 7-3 求数据的主成分PCA Notbook 示例 Notbook 源码 1 使用梯度上升法求解主成分 2 [1] 3 import numpy as np 4 import matplotlib.pyplot as plt 5 [2] 6
阅读全文
7-1 什么是PCA 7-2 使用梯度上升法求解PCA问题 7-3 求数据的主成分PCA Notbook 示例 Notbook 源码 1 使用梯度上升法求解主成分 2 [1] 3 import numpy as np 4 import matplotlib.pyplot as plt 5 [2] 6
阅读全文
摘要：
6-1 什么是梯度下降法 6-2 模拟实现梯度下降法 Notbook 示例 Notbook 源码 1 [1] 2 import numpy as np 3 import matplotlib.pyplot as plt 4 [2] 5 plot_x = np.linspace(-1,6,141) 6
阅读全文
6-1 什么是梯度下降法 6-2 模拟实现梯度下降法 Notbook 示例 Notbook 源码 1 [1] 2 import numpy as np 3 import matplotlib.pyplot as plt 4 [2] 5 plot_x = np.linspace(-1,6,141) 6
阅读全文
摘要：
5-7 多元线性回归和正规方程解 5-8 实现多元线性回归 Notbook 示例 Notbook 源码 1 [1] 2 import numpy as np 3 import matplotlib.pyplot as plt 4 from sklearn import datasets 5 [2]
阅读全文
5-7 多元线性回归和正规方程解 5-8 实现多元线性回归 Notbook 示例 Notbook 源码 1 [1] 2 import numpy as np 3 import matplotlib.pyplot as plt 4 from sklearn import datasets 5 [2]
阅读全文
摘要：
5-1 简单线性回归 5-2 最小二乘法 5-3 简单线性回归的实现 #见下面代码 5-4 向量化 Notbook 示例 Notbook 源码 1 实现 Simple Linear Regression 2 [1] 3 import numpy as np 4 import matplotlib.p
阅读全文
5-1 简单线性回归 5-2 最小二乘法 5-3 简单线性回归的实现 #见下面代码 5-4 向量化 Notbook 示例 Notbook 源码 1 实现 Simple Linear Regression 2 [1] 3 import numpy as np 4 import matplotlib.p
阅读全文
摘要：
4-6 网格搜索与k近邻算法中更多超参数 Notbook 示例 Notbook 源码 1 [1] 2 import numpy as np 3 from sklearn import datasets 4 [2] 5 digits = datasets.load_digits() 6 X = dig
阅读全文
4-6 网格搜索与k近邻算法中更多超参数 Notbook 示例 Notbook 源码 1 [1] 2 import numpy as np 3 from sklearn import datasets 4 [2] 5 digits = datasets.load_digits() 6 X = dig
阅读全文
摘要：
4-1 k近邻算法基础 Notbook 示例 Notbook 源代码 import numpy as np import matplotlib.pyplot as plt [2] raw_data_X = [[3.39,2.33], [3.11,1.78], [1.34,3.36], [3.58,4
阅读全文
4-1 k近邻算法基础 Notbook 示例 Notbook 源代码 import numpy as np import matplotlib.pyplot as plt [2] raw_data_X = [[3.39,2.33], [3.11,1.78], [1.34,3.36], [3.58,4
阅读全文
