Machine Learning .NET平臺機器學習
機器學習——深度學習(Deep Learning)
https://blog.csdn.net/abcjennifer/article/details/7826917
機器學習系列
https://morvanzhou.github.io/tutorials/machine-learning/
機器學習和深度學習的最佳框架大比拼
https://www.oschina.net/news/81599/frameworks-for-machine-learning-and-deep-learning
各種機器學習的應用場景
https://www.zhihu.com/question/26726794
ML.NET
https://github.com/dotnet/machinelearning
特徵提取與處理
https://blog.csdn.net/cjianwyr/article/details/54907227
https://www.cnblogs.com/Leo_wl/p/4456836.html
相關推薦
Machine Learning .NET平臺機器學習
機器學習——深度學習(Deep Learning) https://blog.csdn.net/abcjennifer/article/details/7826917 機器學習系列 https://morvanzhou.github.io/tutorials/machine-learning/ &nb
.NET平臺機器學習
閱讀目錄 .NET平臺機器學習資源彙總,有你想要的麼? 1.開源綜合類 2.開源.NET平臺非綜合類 3.其他資源與技術部落格 4.我的100篇部落格之路 回到目錄 .NET平臺機器學習資源彙總,有你想要的麼?
【Machine Learning, Coursera】機器學習Week6 偏斜資料集的處理
ML Week6: Handing Skewed Data 本節內容: 1. 查準率和召回率 2. F1F1 Score 偏斜類(skewed class)問題:資料集中每一類的資料量嚴重不均衡 如果資料集為偏斜類,分類正確率不是一個好的指標。
【Machine Learning, Coursera】機器學習Week7 核函式
Kernels 本節內容: 核函式(Kernel)是一類計算變數間相似度的函式,它可用於構造新的特徵變數,幫助SVM解決複雜的非線性分類問題。 相關機器學習概念: 相似度函式(Similarity Function) 高斯核函式(Gaussian Kernel
Machine Learning Done Wrong(機器學習七種易犯的錯誤)
作者總結了機器學習七種易犯的錯誤: 1.想當然用預設Loss; 2.非線性情況下用線性模型; 3.忘記Outlier; 4.樣本少時用High Viriance模型; 5.不做標準化就用L1/L2等正則; 6.不考慮線性相關直接用線性模型; 7.LR模型中用引數絕對值判斷f
【原創】.NET平臺機器學習元件-Infer.NET連載(一)介紹
關於本文件的說明 本文件基於Infer.NET 2.6對Infer.NET User Guide進行中文翻譯,但進行了若干簡化和提煉,按照原網站的思路進行,但不侷限與其順序。 歡迎傳播分享,必須保持原作者的資訊,但禁止將該文件直接用於商業盈利。 本人正在研究基於Infer.NET元件,並
【原創】.NET平臺機器學習元件-Infer.NET連載(二)貝葉斯分類器
關於本文件的說明 本文件基於Infer.NET 2.6對Infer.NET User Guide進行中文翻譯,但進行了若干簡化和提煉,按照原網站的思路進行,但不侷限與其順序。 歡迎傳播分享,必須保持原作者的資訊,但禁止將該文件直接用於商業盈利。 本人正在研究基於Infer.NET元件,並
.NET平臺機器學習資源彙總,有你想要的麼?
接觸機器學習1年多了,由於只會用C#堆程式碼,所以只關注.NET平臺的資源,一邊積累,一邊收集,一邊學習,所以在本站第101篇部落格到來之際,分享給大家。部分用過的 ,會有稍微詳細點的說明,其他沒用過的,也是我關注的,說不定以後會用上。機器學習並不等於大資料或者資料探勘,還有有些區別,有些東西可以用來處
.NET平臺機器學習元件-Infer.NET(三) Learner API—資料對映與序列化
關於本文件的說明 本文件基於Infer.NET 2.6對Infer.NET User Guide進行中文翻譯,但進行了若干簡化和提煉,按照原網站的思路進行,但不侷限與其順序。 歡迎傳播分享,必須保持原作者的資訊,但禁止將該文件直接用於商業盈利。 本人正在研究基於Infer.NET
【Machine Learning, Coursera】機器學習Week6 機器學習應用建議
Advice for Applying ML 本節內容:機器學習系統設計的過程中,很可能會出現訓練的模型預測誤差較大的情況。選用最正確、有效的方法來改進演算法是機器學習成功的關鍵,它可以幫我們節省大量時間。本節就是關於如何高效訓練模型,把時間用在刀刃上。
【Machine Learning, Coursera】機器學習Week7 支援向量機的應用
SVMs in Practice 本節內容: SVM的引數選擇、SVM解決多分類問題、實踐中logistic迴歸和SVM的選擇 相關機器學習概念: 線性核函式(Linear kernel) 1. Using SVM Packages 有許多軟體庫可以實現S
【Machine Learning, Coursera】機器學習Week3 Logistic Regression
Logistic Regression Logistic regression is a method for classifying data into discrete outcomes. 邏輯迴歸將資料歸類為離散的結果並輸出 Exam
機器學習實戰(Machine Learning in Action)學習筆記————02.k-鄰近演算法(KNN)
機器學習實戰(Machine Learning in Action)學習筆記————02.k-鄰近演算法(KNN)關鍵字:鄰近演算法(kNN: k Nearest Neighbors)、python、原始碼解析、測試作者:米倉山下時間:2018-10-21機器學習實戰(Machine Learning in
機器學習實戰(Machine Learning in Action)學習筆記————05.Logistic迴歸
機器學習實戰(Machine Learning in Action)學習筆記————05.Logistic迴歸關鍵字:Logistic迴歸、python、原始碼解析、測試作者:米倉山下時間:2018-10-26機器學習實戰(Machine Learning in Action,@author: Peter H
機器學習實戰(Machine Learning in Action)學習筆記————04.樸素貝葉斯分類(bayes)
機器學習實戰(Machine Learning in Action)學習筆記————04.樸素貝葉斯分類(bayes)關鍵字:樸素貝葉斯、python、原始碼解析作者:米倉山下時間:2018-10-25機器學習實戰(Machine Learning in Action,@author: Peter Harri
機器學習實戰(Machine Learning in Action)學習筆記————03.決策樹原理、原始碼解析及測試
機器學習實戰(Machine Learning in Action)學習筆記————03.決策樹原理、原始碼解析及測試關鍵字:決策樹、python、原始碼解析、測試作者:米倉山下時間:2018-10-24機器學習實戰(Machine Learning in Action,@author: Peter Harr
機器學習實戰(Machine Learning in Action)學習筆記————08.使用FPgrowth演算法來高效發現頻繁項集
機器學習實戰(Machine Learning in Action)學習筆記————08.使用FPgrowth演算法來高效發現頻繁項集關鍵字:FPgrowth、頻繁項集、條件FP樹、非監督學習作者:米倉山下時間:2018-11-3機器學習實戰(Machine Learning in Action,@autho
機器學習實戰(Machine Learning in Action)學習筆記————07.使用Apriori演算法進行關聯分析
機器學習實戰(Machine Learning in Action)學習筆記————07.使用Apriori演算法進行關聯分析關鍵字:Apriori、關聯規則挖掘、頻繁項集作者:米倉山下時間:2018-11-2機器學習實戰(Machine Learning in Action,@author: Peter H
機器學習實戰(Machine Learning in Action)學習筆記————06.k-均值聚類演算法(kMeans)學習筆記
機器學習實戰(Machine Learning in Action)學習筆記————06.k-均值聚類演算法(kMeans)學習筆記關鍵字:k-均值、kMeans、聚類、非監督學習作者:米倉山下時間:2018-11-3機器學習實戰(Machine Learning in Action,@author: Pet
機器學習實戰(Machine Learning in Action)學習筆記————10.奇異值分解(SVD)原理、基於協同過濾的推薦引擎、資料降維
關鍵字:SVD、奇異值分解、降維、基於協同過濾的推薦引擎作者:米倉山下時間:2018-11-3機器學習實戰(Machine Learning in Action,@author: Peter Harrington)原始碼下載地址:https://www.manning.com/books/machine-le