基于Python的机器学习系列（10）：朴素贝叶斯 - 多项式模型
在之前的文章中，我们已经探讨了朴素贝叶斯分类器在不同情况下的应用。本文将继续深入探讨，重点介绍朴素贝叶斯分类器中的多项式模型。 1. 背景介绍 朴素贝叶斯分类器是一种基于贝叶斯定理的简单却强大的分类算法。在之前的文章中，我们介绍了高斯朴素贝叶斯模型，它假设特征服从高斯分布。然而，对于一些特定类型的数据，例如词频或计数数据，高斯分布并不是最合适的选择。这时，我们可以使用多项式...
【机器学习基础】机器学习的数学基础
运算（三）矩阵与线性方程组（四）矩阵范数 三、梯度四、凸函数 作为一门以数据及其模型为研究对象的学科，优化模型、分析模型性能等都需要数学手段的帮助。和其他学科一样，数学可以帮我们更清晰地描述和理解机器学习算法，也可以从理论上证明算法的有效性，是机器学习中必不可少的一环。本文将会介绍机器学习中常用的数学工具，为后面的学习打下基础。 一、向量 向量（vector），在数学中指具有大小和方向的量。与向量...
【机器学习】解开反向传播算法的奥秘
的计算效率是一个重要的研究方向。 此外,反向传播算法也存在一些理论上的局限性,如无法解释神经网络的"黑箱"行为、无法处理非differentiable的函数等。为了解决这些问题,研究人员正在探索新型的机器学习范式,如强化学习、元学习等,以期突破反向传播算法的局限。 总结 反向传播算法是深度学习领域的核心算法之一,它通过计算损失函数关于网络参数的梯度,并利用梯度下降法更新参数,实现了神经网络的有效训练。本文...
【机器学习】深入理解损失函数(Loss Functions)
尽力写一篇关于损失函数(Loss Functions)的文章,内容大约在2500字左右,使用Markdown格式,并尽量条理清晰。以下是文章内容: 深入理解损失函数(Loss Functions) 在机器学习和深度学习领域,损失函数(Loss Function)扮演着至关重要的角色。它是用于衡量模型预测值与真实值之间差距的一种度量标准,也是优化算法最小化的目标函数。选择合适的损失函数对于训练出高质量的模型...
智能听觉：从任务特定的机器学习到基础模型
是深度神经网络（DNN），使用音频及其相应的注释示例进行训练，以学习将呈现给它的声学信息（以声学特征的形式）与要识别的目标类别之间的映射。 2.1.1 基本原理 使用已标记的音频数据和对应的标签来训练机器学习模型。模型学习将音频特征映射到目标类别。通过特征提取和分类器等模块进行训练。常用的特征提取方法包括短时傅里叶变换 (STFT) 和梅尔频率倒谱系数 (MFCC)。 2.1.2 优缺点 2.1.2.1 ...
CUDA 在机器学习中的应用 - 直观而全面的解释
在本文中,我们将使用 CUDA 在 GPU 上训练一个 AI 模型,基本上是从头实现 AI,假设几乎没有任何先验知识。 1. 现代计算机的组成 现代计算机主要由以下几个部分组成: 主板:连接所有计算机组件的电路板CPU(中央处理器):执行计算的核心RAM(随机存取内存):CPU 的工作内存GPU(图形处理器):用于加速某些类型的计算 CPU 和 RAM 通常被称为"主机",而 GPU 被称为"设备"。G...
基于Python的机器学习系列（1）：交叉验证
在我们前面的数据科学系列文章中，我们通过两个案例研究（回归和分类）对数据分析和建模进行了详细探讨。在这些基础上，本系列将深入探讨机器学习中的各种技术和方法，旨在帮助读者掌握更复杂的机器学习模型及其应用。 本系列的第一篇文章将重点介绍交叉验证，这是一种用于模型评估和优化的重要技术。通过交叉验证，我们可以更准确地评估模型的性能，并有效避免过拟合和欠拟合问题。 交叉验证概述 ...
基于Python的机器学习系列（3）：随机梯度下降与小批量梯度下降
拟合一个三次曲线： y = ax^3 + bx^2 + cx + d 代码实现 在实现过程中，我们将演示如何使用MLFlow进行实验跟踪，这是一个广受欢迎的工具，能够帮助我们记录和管理机器学习实验。以下是代码的关键步骤和注意事项。 首先，在终端运行以下命令以启动MLFlow服务： docker compose up 这将会构建一个MLFlow服务，你可以通过...
【机器学习】卷积神经网络简介
.3 语音识别6.4 医学图像分析 7. CNN的优化技术7.1 数据增强7.2 正则化7.3 批归一化7.4 迁移学习 8. CNN的挑战与未来发展8.1 可解释性8.2 模型压缩与加速8.3 自动机器学习8.4 跨模态学习 9. 结论 卷积神经网络简介 1. 引言 卷积神经网络（Convolutional Neural Network，简称CNN）是深度学习领域中一种革命性的神经网络架构，特别适用于处...
【机器学习】主成分分析（PCA）：数据降维的艺术
差矩阵特征值分解主成分的选择数据投影 PCA的应用场景1. 数据可视化2. 数据压缩3. 异常检测4. 特征提取 PCA的优缺点优点缺点 结论 主成分分析（PCA）：数据降维的艺术 引言 在数据科学和机器学习领域，处理高维数据是一项挑战。随着维度的增加，数据的复杂性和计算成本也随之上升，这便是所谓的“维度灾难”。主成分分析（Principal Component Analysis，PCA）作为一种经典的数...