1.系統學習機器學習之神經網絡（四） --SOM
相較於K-means算法，SOM並沒有明顯的優勢
這是在2019年11~12月期間，我參加的一個kaggle比賽——ASHRAE - Great Energy Predictor III 最終成績：排名前1%，22/3614。差一點點就金牌了，感覺前面的名次每前進一名都跟煉丹似的
文章目錄構造hypothesis構造損失函數通過“梯度下降法”求參數 θ\thetaθ 的更新式代碼實現References 邏輯迴歸是用來解決分類問題用的，與線性迴歸不同的是，邏輯迴歸輸出的不是具體的值，而是一個概率。除去了si
機器學習常見算法總結 監督學習 Supervised Learning 線性迴歸算法 優點： 建模速度快，存儲資源低； 思想簡單，實現容易。建模迅速，對於小數據量、簡單的關係很有效； 是許多強大的非線性模型的基礎； 線性迴歸模型十分
完整機器學習項目的工作流程 博客原文：https://ask.julyedu.com/question/7013 1 抽象成數學問題 明確問題是進行機器學習的第一步。機器學習的訓練過程通常都是一件非常耗時的事情，胡亂嘗試時間成本是非常高的
常用的分類與預測算法 算法名稱 算法描述 迴歸分析 迴歸分析是確定預測屬性（數值型）與其它變量間相互依賴的定量關係最常用的統計學方法。 包括：線性迴歸、非線性迴歸、Logistic迴歸、嶺迴歸、主成分迴歸、偏最小二乘迴歸等模型。 決策
用Python分析 TED演講數據 首先準備TED演講數據集，TED演講數據集和信息可以從下面的資源獲得： https://www.datafountain.cn/datasets/11 該數據集包含2個文件： ted_main.csv
數據分析學習筆記 —— 數據預處理 數據預處理一方面是要提高數據的質量，另一方面是要讓數據更好地適應特定的挖掘技術或工具。 爲什麼需要進行數據預處理？ 包含在數據源中的大部分原始數據未被處理，它們是不完整的數據或者含有不符合數據分析要求的
Python代碼來構建一顆決策樹（Decision Tree）的案例 用Python代碼來構建一顆決策樹（Decision） 工具 Python+Jupyter Graphviz 2.38 （Graphviz是一個開源的圖形可視化軟件）
用Python進行航空公司客戶價值分析（數據分析） 學習資料： 參考圖書：《Python數據分析與挖掘實戰》（機械工業出版社）第7章 參考博文：https://blog.csdn.net/a857553315/article/detail
用Python分析：紅葡萄酒質量分析（數據探索） 數據集：winemag-data_first150k.csv 先來導入數據 import numpy as np import pandas as pd import seaborn a
Python數據分析：用戶消費行爲（持續更新） 紅酒品鑑和用戶消費行爲分析是我學習Python數據分析入門的兩個案例，記錄一下。 網絡上關於這兩個案例的介紹非常多，但是我在學習過程中，發現有很多文章的邏輯不是很清晰，代碼也調試不同。 所以
機器學習知識要點彙總 1. 機器學習的常見分類和常用的算法有哪些？ 將機器學習分爲四種，分別是監督學習、無監督學習、半監督學習和增強學習。 （1）監督學習(Supervised Learning)：是指每個進入算法的訓練數據樣本都
