【深度學習基礎】機器學習的定義與demo展示
機器學習 （Machine Learning,ML）
1、定義：研究開發一系列的演算法，不需要外部明顯的指示，只需要資料來學習，建模，並且利用建好的模型和新的輸入來預測的學科。
例子：下棋、語音識別、自動駕駛等。
學習：E、T、P (經驗、任務、衡量)
2、目前的應用：
語音識別
自動駕駛(google)
https://www.youtube.com/watch?v=cdgQpa1pUUE
語音翻譯（micosoft ）
https://www.youtube.com/watch?v=Nu-nlQqFCKg
計算機視覺
推薦系統（淘寶、亞馬遜等）
無人機(亞馬遜運輸)
https://www.youtube.com/watch?v=w2itwFJCgFQ
識別垃圾郵件（gmail）
3、Demo:
人臉識別
無人駕駛汽車
https://www.youtube.com/watch?v=cdgQpa1pUUE
電商推薦系統
相關推薦
【深度學習基礎】機器學習的定義與demo展示
機器學習 （Machine Learning,ML） 1、定義：研究開發一系列的演算法，不需要外部明顯的指示，只需要資料來學習，建模，並且利用建好的模型和新的輸入來預測的學科。 例子：下棋、語音識別、自動駕駛等。 學習：E、T、P (經驗、任務、衡量) 2、目前的應用：
【火爐煉AI】機器學習036-NLP詞形還原
fir att `` sco tee 參考 was 3.6 表頭 【火爐煉AI】機器學習036-NLP詞形還原 - (本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2
【火爐煉AI】機器學習017-使用GridSearch搜索最佳參數組合
ear best 最優 參數 ray line rom ati 方式 【火爐煉AI】機器學習017-使用GridSearch搜索最佳參數組合 (本文所使用的Python庫和版本號: Python 3.5, Numpy 1.14, scikit-learn 0.19, mat
【火爐煉AI】機器學習048-Harris檢測圖像角點
dea numpy 重要 其他 tco cnblogs 有一個 一個 none 【火爐煉AI】機器學習048-Harris檢測圖像角點 (本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplo
【火爐煉AI】機器學習051-視覺詞袋模型+極端隨機森林建立圖像分類器
函數 自然語言處理 3.6 權重 www. 語言 tar 一行 序列 【火爐煉AI】機器學習051-視覺詞袋模型+極端隨機森林建立圖像分類器 (本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, mat
【火爐煉AI】機器學習053-資料降維絕招-PCA和核PCA
【火爐煉AI】機器學習053-資料降維絕招-PCA和核PCA (本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 ) 主成分分析（Principal Component Analysis, PCA)可以
【火爐煉AI】機器學習054-用ICA做盲源分離
【火爐煉AI】機器學習054-用ICA做盲源分離 (本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 ) 盲源分離是指在訊號的理論模型和源訊號無法精確獲知的情況下，如何從混疊訊號中分離出各源訊號的過程。
深度學習基礎--傳統機器學習與深度學習的區別
傳統機器學習與深度學習的區別 1）傳統機器學習：利用特徵工程 (feature engineering)，人為對資料進行提煉清洗 2）深度學習：利用表示學習 (representation learning)，機器學習模型自身對資料進行提煉，不需要選擇特徵、壓縮維度、轉換格式等對
【火爐煉AI】機器學習042-NLP文字的主題建模
【火爐煉AI】機器學習042-NLP文字的主題建模 (本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2， NLTK 3.3) 文字的主題建模時用NLP來識別文字文件中隱藏的某種模式的過程，可以發現該文件
【火爐煉AI】機器學習040-NLP性別判斷分類器
【火爐煉AI】機器學習040-NLP性別判斷分類器 (本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2， NLTK 3.3) 本文的目標是構建一個分類器，從名字就判斷這個人是男性還是女性。能夠建立這種分
【火爐煉AI】機器學習041-NLP句子情感分析
【火爐煉AI】機器學習041-NLP句子情感分析 (本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 ) 在NLP中有一個非常實用的應用領域--情感分析，情感分析是用NLP技術分析一段給定文字的情感型別
【火爐煉AI】機器學習039-NLP文字分類器
【火爐煉AI】機器學習039-NLP文字分類器 (本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2， NLTK 3.3) 前面我們學習了很多用NLP進行文字的分詞，文字分塊，建立詞袋模型等，這些步驟可以
【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。
【吳恩達】機器學習第10章學習收穫
神經網路總結 step1:選擇神經網路架構 確定輸入單元數（一般與訓練集特徵數相符）、輸出單元數、以及隱藏層。如果隱藏層大於1層，那麼所有的隱藏層的單元數應該相等。 如圖：輸出單元為3，輸出單元為4，隱藏層單元數為5。如果訓練集（x,y),y有四個值{1，2，3，4
【吳恩達】機器學習ex3程式設計練習
1. function [J, grad] = lrCostFunction(theta, X, y, lambda) %LRCOSTFUNCTION Compute cost and gradient for logistic regression with %regu
【吳恩達】機器學習第13章下以及ex6程式設計作業
1.核函式 這裡的核函式的定義是高斯核函式。度量的是x與l值之間的歐式距離。 對於高斯核函式來說，L一般被稱為標記點，一般直接選取樣本中的X，比如 那麼我們如何計算f呢： 對於每一個來說，我們選定x,然後使用不同的來計算： 比如 因此，m是樣本個數。 n
【吳恩達】機器學習第14章k-Means以及ex7-k-means程式設計練習
1.K-means方法是什麼？ 1.首先K-meas方法是一種無監督的聚類問題。 2.方法內容：首先需要確定聚類中心u和聚類數量K:我們可以隨機選擇中心u；當K<m（m是樣本數)，我們可以隨機選擇K個樣本作為聚類中心，這個方法一般效果會好一些。聚類數量K我們可以通過
【吳恩達】機器學習第14章PCA以及ex7PCA程式設計練習
1.PCA思想： PCA有兩個作用，一個是降維，一個是資料視覺化。通過降維可以達到資料視覺化的目標。將D維降到K維：尋找K個向量，然後將樣本點投影到這K個向量中，使得投影誤差最小。比如:從2D到1D：找一條直線，將空間中的點垂直投影到這條直線距離上（正交距離），求一條使得這
【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
【吳恩達】機器學習第16章異常檢測以及ex8部分程式設計練習
1.異常檢測 1.1思路簡述 首先是一些沒有標籤的資料進行p(x)建模，就是擬合數據得到一個符合資料規律的p(x)，然後根據一個特定的閾值來判斷，是否異常。 1.2具體步驟（假設p(x)符合高斯） 在octave中，我們可以使用hist視覺化直方圖來看資料是否是高斯分