机器学习入门-笔记

最新推荐文章于 2026-06-17 15:24:14 发布
原创 最新推荐文章于 2026-06-17 15:24:14 发布 · 363 阅读 · 9 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
标签
#机器学习

监督学习算法：基于输入输出对 来进行学习的算法。每一个样例都有一个对应的输出。缺点是创建数据集比较费时费力，但是，优点是性能易于测量。

举例：识别信封手写邮政编码、判断医学影像中的肿瘤是否为良性。

无监督学习算法：只基于输入进行学习的算法，只有输入是已知的，没有为算法提供对应的输出。所以，评估更加困难。

举例：自动生成博客的标题、将用户依照爱好分为不同的分组、识别网站异常访问。

 

在机器学习中，每一个实体，也就是每一行，叫做一个样本，或者数据点

样本中，每一列成为样本的特征，用来描述样本的属性

从样本中提取特征，叫做特种提取，或者特征工程

《Web安全之机器学习入门》读书笔记总结
mooyuan的网络安全博客
07-19 1262
本文是《Web安全之机器学习入门》的读书笔记总结，这本书涵盖Webshell检测、用户异常操作检测、DGA域名检测、垃圾邮件/垃圾短信等场景，结合实战案例讲解如何用机器学习和深度学习模型（CNN、RNN等）解决网络安全难题。 第1-4 章为基础内容，主要讲解机器学习和web安全基础知识、以开发环境的搭建等内容。 第5-15章深入讲解机器学习和深度学习在网络安全的应用，书中案例丰富且具实践价值。
【ML入门】李宏毅机器学习笔记07-深度学习简介（Brief Introduction）
BG大龍的博客
07-30 224
版权声明：小博主水平有限，本文仅代表作者本人观点，希望大家多多指导。 笔记目录 ——>>>Deep Learing三步骤 第1节：function set（函数集） 第2节：goodness of function对函数的评价（用损失函数去评价） 第3节：pick the best function（找到最好的函数） 正文 【ML入门】李宏毅机器学习笔记07-深度学...
python机器学习——新手入门学习笔记
2301_79456294的博客
03-24 948
TF-IDF的主要思想是:如果某个词或短语在一篇文章中出现的概率高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。获取大规模数据集，需要从网络上下载，函数的第一个参数是 data_home，表示数据集下载的目录,默认是~/scikit_learn_data/特征的单位或者大小相差较大，或者某特征的方差相比其他的特征要大出几个数量级，容易影响(支配)目标结果，使得一些算法无法学习到其它的特征。某一特定词语的idf，可以由。当0<|r|<1时，表示两变量存在一定程度的相关。
Andrew Ng机器学习(ML)入门学习笔记（一）
SCUT_Arucee的博客
10-27 2075
一.机器学习的定义(Definition)定义：是一门在不需要很明显很复杂的计算机编程的情况下让计算机具有学习能力的学科。更现代化的定义：给计算机程序提供一个任务T和一种性能测量方法P,在经验E的影响下测量方法P对任务T的测量结果得到了改进。（该程序从E中学习）二.机器学习的种类(Type)(1)监督学习：用于训练的数据提供了一组“标准答案”。监督学习又可细分为①回归问题(regression)②分
机器学习笔记
weixin_34362991的博客
06-23 209
<!doctype html>机器学习笔记 机器学习入门笔记 ＡＩ和ML： AI：机器像人一样思考，具备人类的智能 研究AI目的：让机器像人一样思考； 核心技术：机器学习 人工智能的发展： 5.AI的组成： 　　感知－＞决策－＞反馈 ６.ML和AI的关系： 机器学习是AI的一种方法，是使用算法来解析数据、从中学习，然后对真实世界中的事件...
AI 学习路线 04：机器学习到底在学什么？从分类、回归到模型评估
qq_40600379的博客
06-16 391
机器学习到底在学什么？ 监督学习、无监督学习、强化学习有什么区别？ 为什么要划分训练集、验证集、测试集？ 什么是过拟合、欠拟合、泛化能力？ 回归、分类、聚类分别解决什么问题？ 怎么选择常见算法？ 为什么不能只看准确率？ 这篇文章会尽量用图、例子和实战代码，把机器学习的基础框架讲清楚。
基于机器学习的设备故障预测分析方法
技术日常
06-15 532
数据准备（ation数据处理（Mergings——特征工程（Featureengineering:lagfeaturestatic feature——建模（Modeling:Bin-class, regression,multi-class）——训练、仿真（Training,Simulation——决策（Decision++Binaryc。
人工智能、机器学习、生成式AI、神经网络、Transformer 概念梳理
qq_43539854的博客
06-10 751
⊃⊃⊃是神经网络中的经典架构，也是当前生成式AI的核心底座。
基于机器学习的中文文本抑郁症风险检测系统，包括NLP与传统机器学习的抑郁症识别，准确率92%
weixin_49081159的博客
06-15 438
抑郁症作为一种常见的精神障碍，严重影响着全球数亿人的身心健康和社会功能。传统的抑郁症诊断主要依赖临床访谈和量表评估，存在主观性强、效率低等问题。本文设计并实现了一个基于机器学习的中文文本抑郁症风险检测系统，该系统通过对心理咨询文本的多维特征提取与融合，结合多种机器学习算法，实现对正常、疑似、明确三种风险等级的自动分类。系统采用Flask框架构建Web应用，集成了用户管理、单条预测、批量分析、数据可视化及管理员后台等完整功能。在特征工程方面，系统实现了包括情感词频、LIWC心理语言学特征、词性分布、句子结构等
《图解机器学习-第二章》：数据、特征、标签：机器学习到底在学什么？
404 Not Found
06-14 497
模型学的不是数据本身，而是特征和标签之间的映射关系。数据是原料，特征是加工后的食材，模型是厨师。同样的数据，特征工程做得好，模型就能化腐朽为神奇；做得差，再好的算法也是巧妇难为无米之炊。
pi*0.6的RECAP：VLA如何从成功、失败和人工纠正中继续学习
chen_znn的博客
06-13 567
pi*0.6是Physical Intelligence提出的新一代VLA模型。与主要依赖示范学习的VLA不同，它引入了RECAP，使模型能够继续利用机器人自主运行产生的成功轨迹、失败轨迹和人工纠正数据改进策略。RECAP不使用传统的在线PPO直接更新大型VLA，而是先训练价值函数判断机器人是否正在接近任务目标，再为数据中的动作计算优势标签，最后把优势作为文本条件加入VLA。这样既能保留原有的监督训练方式，也能让模型逐渐偏向更有效的动作。
《图解机器学习-第一章》：机器学习到底是什么？
404 Not Found
06-13 391
你有没有这种感觉——刷抖音的时候，它好像比你自己还懂你？点开一条短视频，下一条居然刚好也是你想看的。这背后藏着一门让计算机学会"思考"的技术。今天就来聊聊它。
人工智能机器学习的偏置项 剖析
张晨光老师的播客
06-15 431
英 /ˌɪntəˈsept/ 美 /ˌɪntərˈsept/
功率半导体器件对比文档：Si MOSFET / IGBT / SiC MOS / GaN HEMT
最新发布
V_youhang的博客
06-17 353
本文系统对比了四种主流功率半导体器件（SiMOSFET、IGBT、SiCMOSFET、GaNHEMT）的技术特性与应用场景。从基础概念入手，分析了禁带宽度对器件性能的影响，区分了单极与双极器件导电机制差异。通过工作原理阐释和参数对比表，详细比较了四类器件在耐压范围、开关速度、导通特性等方面的差异。重点解析了各器件的优劣势：硅器件成熟低价但性能受限，SiC器件适合高压高温场景，GaN擅长高频应用但耐压不足。最后提出选型决策树，指出不同应用场景的最优选择，并展望了宽禁带半导体的发展趋势。
《图解机器学习-第三章》：训练、验证、测试：三分数据，缺一不可！
404 Not Found
06-14 279
说到底，数据划分是为了解决一个问题：模型到底是真的学到了规律，还是只是记住了训练数据？验证集和测试集，就是用来回答这个问题的"探路石"。
【机器学习】神经网络
Eddie_hyh的博客
06-15 237
2. 为什么神经网络需要多个输入？ 为了处理多个特征。例如预测房价：结合面积、卧室数、地段等多个因素，比只看面积准确得多。随机（通常是很小的随机数）。事先设定的超参数，不能直接知道设大还是设小合适。通常做法：从常见值开始试（如0.01或0.001），观察loss变化：有些问题太复杂，一层（输入→输出）学不会。每个隐藏层的神经元，把上一层的多个输出加权求和再激活 → 相当于把小特征拼成更大的特征。以识别手写数字为例：单个神经元识别的特征通常很难直接理解，往往需要多个神经元的输出组合，才能形成人类能理解的特征（
机器学习周报四十九
weixin_60864619的博客
06-14 271
本周阅读了和高斯泼溅人体重建的三篇论文的方法部分，并且对每个方法的优缺点进行总结，为下一步研究指明方向。本周阅读了这三篇人体重建的论文，关于GauHuman在上个星期已经进行了复现，下一步工作是复现3DGA的实验。
Python全栈项目--基于机器学习的异常检测系统
exlink2012的专栏
06-12 329
本文介绍了一个基于Python全栈的机器学习异常检测系统实现方案。该系统采用前后端分离架构，后端使用FastAPI框架，前端基于Vue 3，数据库采用SQLite。系统实现了用户认证、模型管理、样本训练、异常检测和可视化展示等完整功能。 核心特点包括： 使用JWT实现用户认证，密码采用Passlib哈希存储 采用多维Z-Score距离算法进行异常检测 完整的前后端交互流程：用户注册/登录→创建模型→训练基线→检测异常→查看结果 包含仪表盘统计功能，展示模型数、检测事件等关键指标 该系统适用于服务器监控、金融
深度学习联邦学习与隐私保护机器学习 —— 数据不动模型动（七十六）
hello.reader
06-13 255
机制MMM满足ϵ\epsilonϵ-差分隐私，若对相邻数据集DD′D, D'DD′PMD∈SPMD′∈S≤eϵPMD′∈SPMD∈S​≤eϵ→ 一条记录的有无，对输出概率影响很小。
基于 CFD 与机器学习的氧化铝纳米流体汽车散热器冷却性能智能预测
y2715163545的博客
06-17 372
论文来源：Scientific Reports（2026, 16:16382）研究主题：结合数值模拟 (CFD)、实验测试与机器学习 (ML)，探究不同浓度Al2O3（氧化铝）- 乙二醇 (EG) 纳米流体对汽车散热器冷却性能的提升效果，并建立性能快速预测模型。该研究补齐了乙二醇基氧化铝纳米流体在汽车散热器领域的研究短板，通过 “仿真 - 实验 - 机器学习” 融合方案，完整验证了纳米流体的热、水力性能，明确 5%Al2O3为最佳使用浓度，同时搭建了低成本、高效率的性能预测模型。冷却液入口温度：80 ℃；
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值