机器学习

特征工程技术与方法

在之前学习机器学习技术中,很少关注特征工程(Feature Engineering),然而,单纯学习机器学习的算法流程,可能仍然不会使用这些算法,尤其是应用到实际问题的时候,常常不知道怎么提取特征来建模。 特征是机器学习系统的原材料,对最终模型的影响是毋庸置疑的。

机器学习基础:详解 5 大常用特征选择方法

特征选择(排序)对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能,更能帮助我们理解数据的特点、底层结构,这对进一步改善模型、算法都有着重要作用。

这有一份机器学习上手攻略,请收下!

机器学习近几年大热,大家都想要了解,但机器学习已经形成一套枝叶繁茂的知识体系,而且往往建筑在复杂的数学基础之上,又容易让人无从下手。初学者最常问的,不是某个具体的重点难点知识,反而是机器学习究竟该怎样学。

机器学习中算法与模型的区别

机器学习涉及到机器学习算法和模型的使用。对于初学者来说,这很容易让人混淆,因为“机器学习算法”经常与“机器学习模型”交替使用。这两个到底是一样的东西呢,还是不一样的东西?作为开发人员,你对排序算法、搜索算法等“算法”的直觉,将有助于你厘清这个困惑。在本文中,我将阐述机器学习“算法”和“模型”之间的区别。

关于如何使用机器学习来做异常检测的7个问题

问问题是学习的最好方法之一。但有时你不知道从哪里开始,或者该问什么 —— 尤其是在你还比较熟悉的异常检测之类的话题上。在这种情况下,最好倾听别人的问题,让他们的思路来指导你的学习。

TensorFlow中最大的30个机器学习数据集

由谷歌Brain的研究人员创建的TensorFlow是机器学习和数据科学领域最大的开源数据库之一。它是一个端到端的平台,适用于初学者和有经验的数据科学家。TensorFlow库包括工具、预训练模型、机器学习指南,以及开放数据集的语料库。为了帮助你找到所需的训练数据,本文将简要介绍一些用于机器学习的最大的TensorFlow数据集。我们已经将下面的列表分为图像、视频、音频和文本数据集。

北京快3 快乐赛车 三分快3 澳洲幸运10开奖结果 吉林快3 极速快乐8 上海时时乐 德国时时彩 快乐赛车开奖 PK10牛牛