摘要：
本讲欧老师主要讲了回归的一些列问题，从简单的线性回归到岭回归、LASSO回归。 而回归问题总的来说就是根据所选定的特征值，通过选定的参数也就是权重，计算出预测的目标值，而学习的过程就是得出最符合的权重，使得预测值能够接近真实的目标值。 但是如果一个模型过于复杂，在训练时预测的很准确，那么就会出现过拟 阅读全文
摘要：
本讲老师主要介绍了机器学习的一些分类，有 有监督学习 回归 线性回归 岭回归 LASSO 回归样条 分类 逻辑回归 K近邻 决策树 支持向量机 无监督学习 聚类 降维 排序 密度估计 关联规则挖掘 强化学习 例如AlphaGo 阅读全文
摘要：
# coding=utf-8 import tensorflow as tf # 定义一些参数 FLAGES = tf.app.flags.FLAGS tf.app.flags.DEFINE_string("data_path","../data/day09/captcha.tfrecords"," 阅读全文
摘要：
卷积网络的结构为： 代码： # coding=utf-8 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data def weight_variable(shape): """ 权重初始化函 阅读全文
摘要：
# coding=utf-8 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data def numberRead(): # 获取数据 mnist = input_data.read_dat 阅读全文
摘要：
读取csv文件 # coding=utf-8 import tensorflow as tf import os def readcsv(fileList): """ csv文件的读取 :param fileList: 文件路径+文件名 列表 :return: """ # 1、构造文件读取队列 fi 阅读全文
摘要：
过程及解释在代码中 # coding=utf-8 import tensorflow as tf def ownregession(): """ 自主实现线性回归 :return: """ # 1、模拟数据 # 模拟一百条数据，特征值为一个 x = tf.random_normal([100,1], 阅读全文
摘要：
TensorFlow特点 1、真正的可移植性 引入各种计算设备的支持包括CPU/GPU/TPU，以及能够很好地运行在移动端， 如安卓设备、ios、树莓派等等 2、多语言支持 Tensorflow 有一个合理的c使用界面，也有一个易用的python使用界面来构建和 执行你的graphs，你可以直接写p 阅读全文
摘要：
k-means聚类是处理没有目标值的数据 目的是将数据分成指定数量的类别，即“物以类聚” k-means步骤 1、随机设置K个特征空间内的点作为初始的聚类中心 2、对于其他每个点计算到K个中心的距离，未知的点选择最近的一个聚类中心点作为标记类别 3、接着对着标记的聚类中心之后，重新计算出每个聚类的新 阅读全文
摘要：
逻辑回归主要处理二分类问题 逻辑回归是在线性回归的基础上引入sigmoid函数 逻辑回归主要优势是可以预测二分类中，是和否的概率，例如广告点击率就是点击广告的概率和不点击广告的概率 # coding=utf-8 from sklearn.metrics import mean_squared_err 阅读全文