花生 瓜子 矿泉水

摘要： 1.数据特征的归一化 1.1 问题产生 当样本不同特征数据的数值范围相差过大，目标函数会变得很扁，在梯度下降的时候，梯度方向会在一定程度上偏离极值点方向，降低了训练效率，增大了训练时间。有些训练数据的值很大，很容易超出数值范围，不利于运算。 1.2 归一化方法 通过归一化来解决上述问题，即：去量纲化 阅读全文

摘要： 1. ML基本认识 机器学习是研究AI的一种方法。其从数据中挖掘特征从而学习到一些规律、规则（模型），然后对输入的新数据做出 预测(回归)和判断(分类)。 机器学习主要分为： 有监督学习：数据有标签，有监督学习分为 分类&回归 两类问题。 无监督学习：数据无标签，如：聚类等。 半监督学习：人工标注是 阅读全文

摘要： 1.4.1 现象和问与答 遇到无法用传统概率学方法来解决一些现实问题，如：多维度空间点分类。可以用ML领域的一些方法，事先建立模型，将 距离d =》概率P，用模型计算点属于哪一类的概率。 那对于新问题如何确定模型呢？ 进行随机样本实验，根据实验结果，反推模型参数。 现在有了实验数据，如何通过实验数据 阅读全文

摘要： 1.3.1 优化初步了解 逐步逼近解析解的过程。在实际问题当中，很多都是没有完全正确的解析解的，但是可以有数值解。（在我们接受的误差范围内，足够接近解析解的近似值。） 1.3.2 优化理论 - 最小二乘法 即：最小平方误差法。例：测量一物体长度，多次测量得到不同测量值（数值解），如何最精确的确定物体 阅读全文

摘要： 1.2.1 概率认识 a）什么是概率：通俗的讲，概率就是 随机事件发生的可能性大小。 b）概率的公理化定义：设随机试验的样本空间Ω，若按照某种方法，对样本空间中的每一个事件 A 都赋予一个实数值 P(A)，且符合以下性质： 1）非负性：P(A) ≥ 0 2）规范性：P(Ω) = 1 3）(无限)可列 阅读全文

摘要： 1.获取流的方法： // 1.从集合转化 List<Integer> list = new ArrayList<>(); Stream<Integer> stream = list.stream();// 转化为流 stream.Collect(Collectors.toList());//转换为流 阅读全文

摘要： 1.1.1 初了解 微积分中的 “以直代曲” 是人们处理数学问题的一种重要思想。在科研领域中，如果问题是非线性的，通常我们很难去处理它们。线性问题是人类少数可以研究的很透彻的数学基础性框架。因此，将非线性问题转换为线性问题，然后通过线性代数的知识来解决。这是数学领域解决非线性问题的一种常用思路。 1 阅读全文

摘要： 1.2.1 常用属性 1）Series常用属性 import pandas as pd ser = pd.Series(data=[1, 2, 3], index=['a', 'b', 'b'], dtype=int, name='ser_1') # Series常用属性 print(ser.dty 阅读全文

摘要： 1.1.1 Pandas了解 Pandas 是 机器学习中进行数据分析和处理的一个扩展库，能够快速得从不同格式的文件中加载数据（比如 CSV 、Excel文件等），然后将其转换为可处理的对象。 Pandas 基于Numpy在 ndarray 的基础上构建出了两种更适用于数据分析的存储结构，分别是 S 阅读全文

摘要： 1.4.1 矩阵操作常见方法 https://numpy.org/doc/1.20/reference/routines.linalg.html 阅读全文