- 目录 1. 有哪些文本表示模型？ 1.1 词袋模型 1.1.1 TF-IDF权重计算 公式： 1.2 主题模型 1.3 词嵌入与深度学习模型 为什么深度学习有用？ 1. 有哪些文本表示模型？ 词袋模型（Bag of Words）TF-IDF（Term Frequency-Inverse Document Frequency）主题模型（Topic Mo... 目录 1. 有哪些文本表示模型？ 1.1 词袋模型 1.1.1 TF-IDF权重计算 公式： 1.2 主题模型 1.3 词嵌入与深度学习模型 为什么深度学习有用？ 1. 有哪些文本表示模型？ 词袋模型（Bag of Words）TF-IDF（Term Frequency-Inverse Document Frequency）主题模型（Topic Mo...
- 本文是机器学习笔记系列 参考链接：https://vas3k.com/blog/machine_learning/ 机器学习这个主题已经很普遍了，每个人都在谈论它，但很少有人能够透彻地了解它。当前网络上的一些机器学习文章晦涩难懂，理论性太强，或者通篇云里雾里地介绍人工智能、数据科学的魔力以及未来的工作等。 所以呢，本文作者 vas3k 通过简洁的语言和清晰明了... 本文是机器学习笔记系列 参考链接：https://vas3k.com/blog/machine_learning/ 机器学习这个主题已经很普遍了，每个人都在谈论它，但很少有人能够透彻地了解它。当前网络上的一些机器学习文章晦涩难懂，理论性太强，或者通篇云里雾里地介绍人工智能、数据科学的魔力以及未来的工作等。 所以呢，本文作者 vas3k 通过简洁的语言和清晰明了...
- 1 SVM的优点 训练好的模型算法复杂度是由支持向量的个数决定，而不是数据维度决定，所以SVM不太容易过拟合。 SVM训练出来的模型完全依赖于支持向量，即使训练集里面所有非支持点都去除，重复训练过程，结果模型完全一样 一个SVM如果训练得到的支持向量个数少，则模型更容易泛化（比如各有1个点，... 1 SVM的优点 训练好的模型算法复杂度是由支持向量的个数决定，而不是数据维度决定，所以SVM不太容易过拟合。 SVM训练出来的模型完全依赖于支持向量，即使训练集里面所有非支持点都去除，重复训练过程，结果模型完全一样 一个SVM如果训练得到的支持向量个数少，则模型更容易泛化（比如各有1个点，...
- 目录 归纳和演绎 归纳学习分为广义和狭义： 概念学习、概念形成最基本的是布尔概念学习： 解答疑问 归纳和演绎 “归纳”和“演绎”是科学推理的两大基本手段 “归纳”是从特殊到一般，是一个“泛化”过程，是总结经验，比如猫有哪些特点？ “演绎” 就是从一般到特殊，从基本情况推出具体情况，是“特化”过程 从“样本”中学习过程 称为“归纳学习” ... 目录 归纳和演绎 归纳学习分为广义和狭义： 概念学习、概念形成最基本的是布尔概念学习： 解答疑问 归纳和演绎 “归纳”和“演绎”是科学推理的两大基本手段 “归纳”是从特殊到一般，是一个“泛化”过程，是总结经验，比如猫有哪些特点？ “演绎” 就是从一般到特殊，从基本情况推出具体情况，是“特化”过程 从“样本”中学习过程 称为“归纳学习” ...
- 目录 总述： 1. Word2Vec的两种网络结构 1.1 输入层 1.2 映射层 1.3 输出层 1.4 神经网络的权重 2. Word2Vec与LDA的区别和联系 2.1 主题模型与词嵌入方法 总述： Word2Vec是2013年谷歌提出来目前最为常用的词嵌入模型之一。 Word2Vec是一种浅层的神经网络模型，包含有两种网络结构：CBOW（Co... 目录 总述： 1. Word2Vec的两种网络结构 1.1 输入层 1.2 映射层 1.3 输出层 1.4 神经网络的权重 2. Word2Vec与LDA的区别和联系 2.1 主题模型与词嵌入方法 总述： Word2Vec是2013年谷歌提出来目前最为常用的词嵌入模型之一。 Word2Vec是一种浅层的神经网络模型，包含有两种网络结构：CBOW（Co...
- 由现实世界引出“机器学习” 看到乌云密布，自己推测出要下雨 通过一个苹果的表面和大小，来判断这个苹果是否好吃 我们通过经验来进行判断，这是因为我们积累了许多有用的经验，通过对有用经验的分析，就能对遇到的情况做出相应的对策。 计算机中，经验就是“数据”，判断模型就是“算法”，机器学习就是研究“学习算法”。 举例：当计算机数据库有上千万只猫的照片，并对其特点进行建模分析... 由现实世界引出“机器学习” 看到乌云密布，自己推测出要下雨 通过一个苹果的表面和大小，来判断这个苹果是否好吃 我们通过经验来进行判断，这是因为我们积累了许多有用的经验，通过对有用经验的分析，就能对遇到的情况做出相应的对策。 计算机中，经验就是“数据”，判断模型就是“算法”，机器学习就是研究“学习算法”。 举例：当计算机数据库有上千万只猫的照片，并对其特点进行建模分析...
- 目录 1. 什么是类别型特征？ 2. 处理类别型特征的编码方式有哪几种？ 2.1 序号编码 2.2 独热编码 2.2.1对于类别取值比较多的情况下，使用独热编码注意以下问题： 2.3 二进制编码 3除了这些编码还有哪些？ 1. 什么是类别型特征？ 类别型特征（Categorical Feature）主要指的是性别（男、女）、血型（A、B、AB、O）等只... 目录 1. 什么是类别型特征？ 2. 处理类别型特征的编码方式有哪几种？ 2.1 序号编码 2.2 独热编码 2.2.1对于类别取值比较多的情况下，使用独热编码注意以下问题： 2.3 二进制编码 3除了这些编码还有哪些？ 1. 什么是类别型特征？ 类别型特征（Categorical Feature）主要指的是性别（男、女）、血型（A、B、AB、O）等只...
- 目录 先来看机器学习： 什么是特征？ 深度学习是表示学习的经典代表： 深度学习的过程： 深度学习与传统机器学习差别： 深度学习代表算法： 先来看机器学习： 机器学习是利用经验experience来改善 计算机系统自身的性能，通过经验获取知识knowledge。 以往都是人们向计算机输入知识，现在是通过经验的“特征”数据来产生模型model（传统的机器... 目录 先来看机器学习： 什么是特征？ 深度学习是表示学习的经典代表： 深度学习的过程： 深度学习与传统机器学习差别： 深度学习代表算法： 先来看机器学习： 机器学习是利用经验experience来改善 计算机系统自身的性能，通过经验获取知识knowledge。 以往都是人们向计算机输入知识，现在是通过经验的“特征”数据来产生模型model（传统的机器...
- 目录 1 . OTCBVS数据集 Dataset 01: OSU Thermal Pedestrian Database Dataset 02: IRIS Thermal/Visible Face Database Dataset 03: OSU Color-Thermal Database Dataset 04: Terravic Facial IR Databa... 目录 1 . OTCBVS数据集 Dataset 01: OSU Thermal Pedestrian Database Dataset 02: IRIS Thermal/Visible Face Database Dataset 03: OSU Color-Thermal Database Dataset 04: Terravic Facial IR Databa...
- 一般情况将K折交叉验证用于模型调优，找到使得模型泛化性能最优的超参值。找到后，在全部训练集上重新训练模型，并使用独立测试集对模型性能做出最终评价。 K折交叉验证使用了无重复抽样技术的好处：每次迭代过程中每个样本点只有一次被划入训练集或测试集的机会。 K折交叉验证图： 如果训练数据集相对较小，则增大k值。 增大k值，在每次迭代过程中将会有更多的数据用于模型训练，能够... 一般情况将K折交叉验证用于模型调优，找到使得模型泛化性能最优的超参值。找到后，在全部训练集上重新训练模型，并使用独立测试集对模型性能做出最终评价。 K折交叉验证使用了无重复抽样技术的好处：每次迭代过程中每个样本点只有一次被划入训练集或测试集的机会。 K折交叉验证图： 如果训练数据集相对较小，则增大k值。 增大k值，在每次迭代过程中将会有更多的数据用于模型训练，能够...
- 机器学习是人工智能AI研究发展到一定阶段的必然产物！ 二十世纪五十年代~七十年代初，“推理期”：机器的只能体现在具有逻辑推理能力。 二十世纪七十年代中期开始，AI进入“知识期”，希望机器能够自己学习！ 其实，图灵1950年就曾提到过机器学习的可能 五十年代中后期，基于神经网络的“连接主义”学习开始，比如：感知机 六七十年代，基于逻辑表示的“ ”符号主义学习发展， ... 机器学习是人工智能AI研究发展到一定阶段的必然产物！ 二十世纪五十年代~七十年代初，“推理期”：机器的只能体现在具有逻辑推理能力。 二十世纪七十年代中期开始，AI进入“知识期”，希望机器能够自己学习！ 其实，图灵1950年就曾提到过机器学习的可能 五十年代中后期，基于神经网络的“连接主义”学习开始，比如：感知机 六七十年代，基于逻辑表示的“ ”符号主义学习发展， ...
- 目录 0. Normalization简单解释 1. 常用的归一化方法 （1）线性函数归一化（Min-Max Scaling） （2）零均值归一化（Z-Score Normalization） 2. 为什么说数据归一化不是万能的？有哪些 适用哪些不适用？ 0. Normalization简单解释 为了消除数据特征之间的量纲的影响，所以需要进行归一化的处理，... 目录 0. Normalization简单解释 1. 常用的归一化方法 （1）线性函数归一化（Min-Max Scaling） （2）零均值归一化（Z-Score Normalization） 2. 为什么说数据归一化不是万能的？有哪些 适用哪些不适用？ 0. Normalization简单解释 为了消除数据特征之间的量纲的影响，所以需要进行归一化的处理，...
- 目录 1. 实际案例： 2. 回顾基本知识： 精确率Precision 召回率Recall 排序问题中，如何衡量模型性能？ 精确率和召回率是既矛盾又统一的两个指标 3. 解答实例问题 如何解决或者权衡？ P-R曲线 F1 score 是精确率和召回率的调和平均值 1. 实际案例： 搜索引擎提供模糊搜索功能，搜索排序模型返回的TOP 5 精确率非常... 目录 1. 实际案例： 2. 回顾基本知识： 精确率Precision 召回率Recall 排序问题中，如何衡量模型性能？ 精确率和召回率是既矛盾又统一的两个指标 3. 解答实例问题 如何解决或者权衡？ P-R曲线 F1 score 是精确率和召回率的调和平均值 1. 实际案例： 搜索引擎提供模糊搜索功能，搜索排序模型返回的TOP 5 精确率非常...
- 机器学习基本概念 1. 特征工程1.1 特征工程的目的1.2 怎么做特征工程？1.2.1 特征构建1.2.2 特征提取1.2.2.1特征提取常用方法 1.2.3 特征选择1.2.3.1 特征选择常用方法 2. 结构化数据3. 非结构化数据 1. 特征工程 特征工程师对原始数据进行一系列的工程处理，作为输入供算法和模型使用。 举例：想让机器识别... 机器学习基本概念 1. 特征工程1.1 特征工程的目的1.2 怎么做特征工程？1.2.1 特征构建1.2.2 特征提取1.2.2.1特征提取常用方法 1.2.3 特征选择1.2.3.1 特征选择常用方法 2. 结构化数据3. 非结构化数据 1. 特征工程 特征工程师对原始数据进行一系列的工程处理，作为输入供算法和模型使用。 举例：想让机器识别...
- 目录 回顾知识点： 实际场景： 1. 什么是分类的准确率？ 2. 如何避免由于样本比例不均衡导致准确率失效？ 回顾知识点： 准确率 ： Accuracy 精确率 ： Precision 召回率 ： Recall 均方根误差 ： Root Mean Square Error, RMSE 实际场景： 拿到奢侈品用户数据，训练和测试奢侈品用... 目录 回顾知识点： 实际场景： 1. 什么是分类的准确率？ 2. 如何避免由于样本比例不均衡导致准确率失效？ 回顾知识点： 准确率 ： Accuracy 精确率 ： Precision 召回率 ： Recall 均方根误差 ： Root Mean Square Error, RMSE 实际场景： 拿到奢侈品用户数据，训练和测试奢侈品用...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签