线性回归模型属于经典的统计学模型，是根据已知的自变量来预测某个连续的数值因变量。她属于有监督的学习算法，也就是在建模过程中需要同时具备自变量x和因变量y。一元线性回归模型是入门算法，是指变量中只含有一个自变量和一个因变量，用来建模的数据可以表示为{(x1,y1)…(xn,yn)}，其中xi表示...

上一篇演示了纯手动添加隐藏层，这次使用gluon让代码更精减，代码来自：https://zh.gluon.ai/chapter_supervised-learning/mlp-gluon.htmlfrommxnetimportgluonfrommxnetimportndarrayasndimportmatplotlib...

了解神经网络原理的同学们应该都知道，隐藏层越多，最终预测结果的准确度越高，但是计算量也越大，在上一篇的基础上，我们手动添加一个隐藏层，代码如下（主要参考自多层感知机—从0开始）：frommxnetimportgluonfrommxnetimportndarrayasndimportmatplotlib.py...

接上一篇机器学习笔记(3)：多类逻辑回归继续，这次改用gluton来实现关键处理，原文见这里，代码如下：importmatplotlib.pyplotaspltimportmxnetasmxfrommxnetimportgluonfrommxnetimportndarrayasndfrommxnetimportauto...

仍然是动手学尝试学习系列的笔记，原文见：多类逻辑回归—从0开始 。这篇的主要目的，是从一堆服饰图片中，通过机器学习识别出每个服饰图片对应的分类是什么（比如：一个看起来象短袖上衣的图片，应该归类到T-Shirt分类）示例代码如下，这篇的代码略复杂，分成几个步骤解读： 一、下载数据，并显示图...

代码来自：https://zh.gluon.ai/chapter_supervised-learning/linear-regression-gluon.html1frommxnetimportndarrayasnd2frommxnetimportautograd3frommxnetimportgluon45num_i...

初次接触机器学习的朋友们，建议先把这篇概念性的科普文章，精读5遍以上：神经网络浅讲：从神经元到深度学习下列代码来自https://zh.gluon.ai/chapter_supervised-learning/linear-regression-scratch.html里面有大量的矩阵向量的操作，不熟悉NDArray的...

http://www.csdn.net/article/2015-12-18/2826512摘要：因为云计算应用的不断深入。以及对大数据处理需求的不断扩大，用户要求功能丰富、性能强大、高可用性的产品，云计算厂商们也推陈出新，不断地推出新产品，本文就盘点了业内翘楚阿里云在2015年那些有价值的新产品。作为云...

本博客仅为作者记录笔记之用，不免有非常多细节不正确之处。还望各位看官能够见谅，欢迎批评指正。博客虽水，然亦博主之苦劳也。如需转载，请附上本文链接，不甚感激！http://blog.csdn.net/cyh_24/article/details/50359055写这篇博客的动力是源于看到了以下这篇微博：我在看到这篇微博的...

GOOGLE开发自己的加速机器学习的芯片已经不是什么秘密了，最先发布出来的是TPU（TensorProcessingUnits），在2016年5月I/O开发大会上发布的。可是没有发布相关的细节情况。仅仅是说TensorFlow框架在上面执行机器学习算法能够优化执行。今天。GOOGLE第一次把这些项目的细节和评判标准发布...

感谢大家关注玩转数据系列文章，我们希望通过在阿里云机器学习平台上提供demo数据并搭建相关的实验流程的方式来帮助大家学习怎样通过算法来挖掘数据中的价值。本系列文章包括具体的实验流程以及相关的文档教程，欢迎大家进入spm=a2c0j.7906235.header.11.I2EEKW">阿里云数加机器学习平台体验。实验案例...

1.粗糙集属性约简算法仅仅选出属性重要度大的条件加入约减中，没有考虑约简中条件属性相互之间的冗余性，得到的约简往往不是都必要的，即含有冗余属性。2.mRMR算法则除了考虑特征与类别之间的相关性，还考虑特征与特征之间的冗余度，约束特征与类别最大相关，特征与特征最小冗余。3.根据mRMR算法，将粗糙集约简算法改进为最小相关...

        DBSCAN(Density-BasedSpatialClusteringofApplicationswithNoise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，...

EM的算法流程：初始化分布参数θ；重复以下步骤直到收敛：       E步骤：根据参数初始值或上一次迭代的模型参数来计算出隐性变量的后验概率，其实就是隐性变量的期望。作为隐藏变量的现估计值：    ...

　　将样本分成K个类，其实说白了就是求一个样本例的隐含类别y，然后利用隐含类别将x归类。由于我们事先不知道类别y，那么我们首先可以对每个样例假定一个y吧，但是怎么知道假定的对不对呢？怎样评价假定的好不好呢？　　我们使用样本的极大似然估计来度量，这里就是x和y的联合分布P（x,y）了。如果找到的y能够使P(x,y)最大，...