随笔分类 - 数据建模与挖掘
侧重数据挖掘,模型算法原理推导, ML等.
摘要：K-means 基本代码逻辑, 就单纯是笔记, 方面自己后面套用的....
阅读全文
摘要：再对TF中, 关键数据结构, 标量, 向量, 矩阵, 张量熟悉,学习过程.
阅读全文
摘要：张量生成,列表,数组转换, 全为 0, 1 自定义值, 概率分布, 序列等创建张量
阅读全文
摘要：数值精度访问和修改, dtype, tf.cast( ) 和类型转换, tf.Variable( ) 特殊类型用来跟踪梯度信息.
阅读全文
摘要：tensorflow 基础数据类型, 数值, 字符串, 布尔等, 核心是认识 张量 tensor, 包括 标量, 向量, 矩阵 .. 和理解属性, 维度, dim, 形状 shap 的实际意义.
阅读全文
摘要：体验一下 TensorFlow 导包套路, 获取数据 - 特征工程, 构建网络, 模型训练, 计算梯度, 梯度更新 .. Epoch ..这些流程操作.
阅读全文
摘要：对上篇线性模型中涉及的 梯度计算 代码进行数学原理推导
阅读全文
摘要：回顾LR和梯度下降法, 结合MSE来, 代码案例说明.
阅读全文
摘要：只需一张图, 从完备事件组(样本空间) 来理解全概率与贝叶斯
阅读全文
摘要：多自变量, 多因变量, 的典型相关分析 CCA, 和 进一步细化为 主成分多远回归等 数据分析方法
阅读全文
摘要：再来介绍两种 RNN 变体, 双向和多层, 典型应用在情感分析, 机器翻译
阅读全文
摘要：总结RNN 两个变体 (针对梯度消失) LSTM 和 GRU 的特点和应用
阅读全文
摘要：只调包, 不懂原理来看 ML , 会发现是多么无聊和无趣.
阅读全文
摘要：在理解 RNN 基础上, 对梯度消失一种解决方方案 LSTM (保留早期状态信息)
阅读全文
摘要：梯度消失和爆炸, 是神经网络都会遇到问题, 最能理解, 反而从数学上, 梯度意义 和 梯度下降法(参数更新) 这块就能理解.
阅读全文
摘要：RNN 的结构和训练方式, 了解其应用, 如时序预测, 生成文本, 机器翻译, 情感分析...突然有点挺感兴趣了.
阅读全文
摘要：理解 RNN 的原理过程是怎样操作的, 着重是 W 复用 和损失函数 交叉熵的应用.
阅读全文
摘要：RNN 的前提补充 - 介绍 n-gram 和 fixed 窗口这两种方式的, 词预测原理.
阅读全文
