-
机器学习第二次作业
1.Iris数据集结构 将数据集载入后输出 ~~~ from sklearn.datasets import load_iris iris = load_iris() print(iris.keys()) n_samples, n_features = iris.data.shape print(( -
【模式识别与机器学习】第一次个人作业
学习心得 经过对课程前三章的学习,我对模式识别和机器学习有了一定的认识,同时积累了一定的基础知识。第一章了解了 模式识别和机器学习 的概念,后两章则学习了一些具体的 分类器 ,在学习新的知识的同时,也对之前的认识进行了完善和巩固。 在之前的学习中,充分认识到 基础学科 (线性代数、概率论等)对研究人 -
【模式识别与机器学习】第一次个人作业
学习心得 经过对课程前三章的学习,我对模式识别和机器学习有了一定的认识,同时积累了一定的基础知识。第一章了解了 模式识别和机器学习 的概念,后两章则学习了一些具体的 分类器 ,在学习新的知识的同时,也对之前的认识进行了完善和巩固。 在之前的学习中,充分认识到 基础学科 (线性代数、概率论等)对研究人 -
第一次个人作业
对课程的学习心得做一个小结,也可以是学习笔记 从一开始对机器学习一无所知,到现在看了老师们的网课视频,对机器学习也有一点点了解了 下面是我把网课做的思维导图(在整合的过程中,回忆知识) 第一章节 第二章节 第三章节 笔记的话ppt十分详细了 检索一些文献或者网页资讯,记录机器学习等人工智能领域的前沿 -
第一次个人作业
#学习小结 模式识别中的基本概念。 基于距离的分类器,MED分类器,会受到不同特征尺度的影响。MIED分类器,会倾向于方差较大的类。 根据贝叶斯公式的MAP分类器,解决了MIED存在的问题,会倾向于方差较小的类。学习了高斯观测概率的MAP分类器。决策目标是最小化误差概率。 MAP分类器加上考虑决策风 -
第一次个人作业
学习心得 之前我们主要学习了模式识别的基本概念,以及所需要的模型又有机器学习获得,以及对所得模型的一些评估。之后基于距离的分类器,有欧氏距离d(x1,x2)=(x2−x1)T∗(x2−x1)得出的MED分类器,以及分类器的去除特征相关性而采取的特征白化,之后得到的距离就是马氏距离,这些都是为决策而做 -
第一次个人作业
学习心得 之前我们主要学习了模式识别的基本概念,以及所需要的模型又有机器学习获得,以及对所得模型的一些评估。之后基于距离的分类器,有欧氏距离d(x1,x2)=(x2−x1)T∗(x2−x1)得出的MED分类器,以及分类器的去除特征相关性而采取的特征白化,之后得到的距离就是马氏距离,这些都是为决策而做 -
机器学习第一次个人作业
学习心得 转眼间课程已经过半,我还有点没反应过来。这几周的学习中,我接触了很多关于机器学习和模式识别的新概念,新知识。由于以前从来没接触过相关领域,所以这门课程有点难学,但也正因如此,这些东西对我来说也都很新鲜,让我想要了解更多。 第一节课上,了解了很多模式识别和机器学习领域的应用,意识到机器学习技 -
第一次个人作业
第一次个人作业 学习笔记 (1)先导知识 1.先验概率(prior probability):是指根据以往经验和分析得到的概率。即没有考虑原因,在获得数据和依据之前就对概率进行了猜测,得到了概率。 2.似然函数(likelihood function):似然用来描述已知随机变量输出结果时,未知参数的 -
机器学习第一次个人作业
第一次个人作业 学习心得 老师布置这个作业后,我才知道转眼课程已经过半了,完全没有察觉已经线上学习这么久了,仿佛时间糊糊涂涂的就过去了。 可能是这个假期家里真的发生了太多太多的事情了,2020太糟糕了。很感谢老师的理解,让我可以周末再补充这篇博客。 浑浑噩噩的假期、手忙脚乱的线上学习,每一次匆忙的上