注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 机器学习中的数学

  2. 机器学习的一些算法入门，讲得浅显易懂，里面例子也觉得很不错

  3. 所属分类：专业指导

  1. 机器学习中的数学

  2. 机器学习 数学 机器学习中的数学 算法需要的数学基础

  3. 所属分类：游戏开发

    • 发布日期：2013-09-06
    • 文件大小：1mb
    • 提供者：hbluojiahui

  1. 机器学习中的数学

  2. 机器学习中的数学，理解算法，内涵机器学习这个概念认为，对于待解问题，你无需编写任何专门的程序代码，遗传算法（generic algorithms）能够在数据集上为你得出有趣的答案

  3. 所属分类：其它

    • 发布日期：2015-02-09
    • 文件大小：1mb
    • 提供者：codematrix

  1. 机器学习中的重要数学概念

  2. 华盛顿大学Jeff Howbert总结的《机器学习中的重要数学概念》

  3. 所属分类：讲义

    • 发布日期：2015-10-28
    • 文件大小：484kb
    • 提供者：happytofly

  1. 机器学习中的数学知识

  2. 机器学习中常用的数学知识，非常全面的数学知识归纳总结，欢迎下载，并研究学习。

  3. 所属分类：机器学习

  1. 从基础概念到数学公式520页的机器学习笔记（图文并茂）

  2. 从基础概念到数学公式，这是一份520页的机器学习笔记（图文并茂）。近日，来自SAP（全球第一大商业软件公司）的梁劲（Jim Liang）公开了自己所写的一份 520 页的学习教程（英文版），详细、明了地介绍了机器学习中的相关概念、数学知识和各种经典算法。

  3. 所属分类：机器学习

    • 发布日期：2018-05-03
    • 文件大小：317mb
    • 提供者：admans

  1. 机器学习中的数学

  2. 介绍了机器中的数学知识，假设函数 是 上具有二阶连续偏导数的函数，考虑无约束优化问题： 表示目标函数的极小点。解无约束优化问题一般常用迭代算法，常用的迭代算法有梯度下降法，牛顿法和拟牛顿法。迭代公式为: 其中称为搜索方向，称为步长，为第k次迭代后x的值。不同的迭代算法的区别主要在搜索方向的确定上，而如何确定步长是另一个问题，这里不打算介绍。 假设函数 是 上具有二阶连续偏导数的函数，考虑无约束优化问题： 表示目标函数的极小点。解无约束优化问题一般常用迭代算法，常用的迭代算法有梯度下降法，牛顿法

  3. 所属分类：机器学习

  1. 吴恩达老师的机器学习课程资源

  2. 包含： 1、《机器学习个人笔记完整版v5.24-A4打印版.pdf》 2、课程PPT 3、课程源代码（python） 4、网页版课程笔记，方便手机阅读 5、课程视频的百度网盘地址（20180613亲测有效，以后可能失效） 6、机器学习中的数学基础介绍

  3. 所属分类：机器学习

    • 发布日期：2018-06-13
    • 文件大小：174mb
    • 提供者：qq_31342997

  1. 讲解机器学习中数据的视频和课件

  2. 主要介绍机器学习中的一些必要知识：最基础的部分包括基本的高等数学，比如分析、代数（尤其是矩阵论）、数值优化算法、概率论与数理统计等。 更进阶的需要掌握实分析（比如测度论）、图论、时间序列、回归分析等等。另外虽然严格来说不属于数学，但是算法的概念和数据结构的相关知识也是一定要掌握的

  3. 所属分类：机器学习

    • 发布日期：2018-08-10
    • 文件大小：64byte
    • 提供者：u012338969

  1. 数据挖掘和机器学习中的一些数学方法

  2. 数据挖掘和机器学习中的一些数学方法归纳，不错的参考资料，留着自学。

  3. 所属分类：机器学习

    • 发布日期：2018-09-07
    • 文件大小：2mb
    • 提供者：qq_42419985

  1. 机器学习中的数学-第1讲 微积分和梯

  2. 机器学习中的数学-第1讲 微积分和梯度

  3. 所属分类：机器学习

    • 发布日期：2018-11-12
    • 文件大小：1mb
    • 提供者：u011144283

  1. 机器学习的数学基础.pdf

  2. 机器学习数学基础，包括高斯分布，贝叶斯公式，最小二乘法，矩阵特征值分解，SVD，手写pdf，为什么摘要要写这么长，我真是服了，有用吗，不如就写十个字就行

  3. 所属分类：机器学习

    • 发布日期：2020-05-15
    • 文件大小：3mb
    • 提供者：qq_42007339

  1. 机器学习中的最优化算法总结

  2. 机器学习中的最优化算法总结下图给出了这些算法的分类与它们之间的关系: 接下来我们将按照这张图来展开进行讲解。 费马定理 对于一个可导函数,寻找其极值的统一做法是寻找导数为0的点,即费马定理。微积分中的 这一定理指出,对于可导函数,在极值点处导数必定为0: 对于多元函数,则是梯度为0 导数为0的点称为驻点。需要注意的是,导数为0只是函数取得极值的必要条件而不是充分条 件,它只是疑似极值点。是不是极值,是极大值还是极小值,还需要看更高阶导数。对于 元函数,假设x是驻点 如果 (x)>0,则在该

  3. 所属分类：机器学习

    • 发布日期：2019-07-02
    • 文件大小：557kb
    • 提供者：abacaba

  1. 机器学习中的目标函数总结.docx

  2. 几乎所有的机器学习算法最后都归结为求解最优化问题，以达到我们想让算法达到的目标。为了完成某一目标，需要构造出一个“目标函数”来，然后让该函数取极大值或极小值，从而得到机器学习算法的模型参数。如何构造出一个合理的目标函数，是建立机器学习算法的关键，一旦目标函数确定，接下来就是求解最优化问题，这在数学上一般有现成的方案。

  3. 所属分类：互联网

    • 发布日期：2020-07-17
    • 文件大小：195kb
    • 提供者：guzhao9901

  1. 学好机器学习需要哪些数学知识？

  2. 本文来源于csdn，介绍了微积分，线性代数，概率论，最优化方法，算法和理论用到的数学知识等。很多同学谈数学色变，但数学是机器学习绕不开的基础知识。今天我们来谈谈这个话题：学好机器学习究竟需要哪些数学知识？先看知乎上的回答：大部分读者看到这样的答案之后内心是凄凉的。实变函数，拓扑学，泛函分析，除了数学系之外，很少有其他专业会学这些课程。真的需要学习这些令人不寒而栗的课程吗？事实上，要理解和掌握绝大部分机器学习算法和理论，尤其是对做工程应用的人而言，所需要的数学知识大学数学老师已经给你了：微积分线性

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：655kb
    • 提供者：weixin_38680340

  1. 机器学习中的数学*（数据）

  2. 机器学习中的数学*（数据）

  3. 所属分类：其它

  1. SureStart-VAIL：一个存储库，其中包含SureStart Spring 2021 AI和机器学习程序的所有代码，项目和日常反思-源码

  2. 确保启动VAIL 2021程序 我正在以AI和机器学习学员的身份完成SureStart VAIL 2021程序的存储库。 该计划包括以下方面的技术技能培训： 机器学习 自然语言处理 计算机视觉 数据分析和可视化 符合道德规范的AI开发 回应 第2天：（02/09/21）：机器学习（ML）和Scikit-Learn入门 第2天的材料可以在找到 监督学习与无监督学习有什么区别？ 监督学习是指已根据一组预定义的训练示例进行训练的程序。 主要目标是提出一个预测器函数h(x) ，该函数使用数学算法优化该

  3. 所属分类：其它

    • 发布日期：2021-02-11
    • 文件大小：21kb
    • 提供者：weixin_42116705

  1. 自制机器学习：:robot_face:解释了流行的机器学习算法的Python示例，并提供了交互式Jupyter演示和数学解释-源码

  2. 自制机器学习 您可能对 :robot_face: 对于此存储库的Octave / MatLab版本，请检查项目。 该存储库包含使用Python实现的流行机器学习算法的示例，并在其中解释了数学原理。 每种算法都有交互式的Jupyter Notebook演示，使您可以使用训练数据，算法配置并立即在浏览器中查看结果，图表和预测。 在大多数情况下，解释是基于Andrew Ng的。 这个仓库的目的不是为了实现机器学习算法通过使用第三方库的俏皮话，而是练从头开始执行这些算法和获得更好的理解每个算法背

  3. 所属分类：其它

  1. 数学基础 | (6) 机器学习中的几个熵

  2. 原文地址 目录 1. 信息量 2. 信息熵 3. 相对熵(KL散度/KL divergence) 4. 交叉熵 5. 几个熵之间的关系 6. JS散度 7. Wasserstein距离 8. 总结 1. 信息量 事件发生的概率越小，信息量越大。 假设X是一个离散型随机变量，取值集合为 则定义事件的信息量为： 2. 信息熵 信息量的期望就是熵，假设事件X有n种可能，发生的概率为,那么该事件的熵H(X)为： 如果发生的事件只有两种可能性，那么熵的计算转化为下列式子： 3. 相对熵(KL散度/K

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：428kb
    • 提供者：weixin_38744435

  1. Machine_Learning:参考了西瓜书，sklearn源码，李航统计，机器学习实战，机器学习中的数学-源码

  2. Machine_Learning:参考了西瓜书，sklearn源码，李航统计，机器学习实战，机器学习中的数学

  3. 所属分类：其它

    • 发布日期：2021-03-24
    • 文件大小：155mb
    • 提供者：weixin_42105816
« 12 3 4 5 6 7 8 9 10 ... 18 »