Machine Learning

診斷偏差：模型的偏差是模型預測值和真實值之間的差距方差：模型的方差是給定資料點的模型預測和可變性偏差/方差權衡：模型越簡單，偏差越高，模型越複雜，方差越高錯誤分析錯誤分析當前模型和完美模型之間效能差異

模型選擇在選擇模型時，我們將資料分為的 3 個不同部分：訓練集：模型訓練，一般資料集中的 80驗證集：模型評估，一般資料集中的 20，又叫做留出集或開發集測試集：模型預測，未知資料一旦選擇了模型，就會

迴歸指標基本效能度量：給定一個迴歸模型 f，下面的度量標準通常用來評估模型的效能。完全平方和SS_{tot}=\sum\limits_{n=1}^m(y_i-\overline y)^2解釋平方和SS

在二分類問題中，下面這些主要度量標準對於評估模型的效能非常重要。混淆矩陣混淆矩陣可以用來評估模型的整體效能情況。它的定義如下：主要度量標準通常用下面的度量標準來評估分類模型的效能：| 效能度量 | 公

梯度下降法簡單來說就是一種尋找目標函式最小化的方法。上圖的 update 就是梯度迭代公式。在機器學習中，基於基本的梯度下降法發展了兩種梯度下降方法，分別為隨機梯度下降法和批量梯度下降法。Batch

一。概念解析：有監督學習：對於x1,x2,x3明確知道其對應的label值無監督學習：對於x1,x2,x3不知道其對應的label值分類演算法：對於x1,x2,x3,x4作為特徵值，當輸入到演算法中得

機器學習中的數學基礎一直以來都是非常重要的，而且是比較難的。要想真正提高機器學習演算法水平，其中的數學基礎必須合格！今天給大家推薦一本非常棒的《機器學習數學基礎》，原名：《Mathematics fo

無需置疑，數學基礎和理論知識在機器學習中扮演十分重要的角色！提升數學理論水平對於提高自身的機器學習水平非常有幫助！然而，對於大部分初學者來說，理論部分太難往往會削弱學習的積極性。在學習的時候，必須要平

機器學習和深度學習都是人工智慧的形式。您還可以正確地說，深度學習是一種特定的機器學習。機器學習和深度學習都從訓練和測試資料以及模型開始，然後經過優化過程以找到使模型最適合資料的權重。兩者都可以處理數字

早在去年的這個時候，紅色石頭就發文給大家推薦過一本非常棒的機器學習實用指南書籍《Hands-On Machine Learning with Scikit-Learn & TensorFlow

12 月 9 日，一本機器學習新書上線了，它就是《Limitations of Interpretable Machine Learning Methods》，中文譯為《可解釋機器學習方法的侷限性》。

水調歌頭·AI幾時有——張忠寶AI幾時有，演算法大無邊。不知智慧未來，爆發在何年。我欲機器學習，又恐資訊融合，保護著實難。資料萬萬千，何處無風險？搞廣度，用深度，加上GAN。今日論道，如何便利又安全？

檔案建立日期: 2019/12/19最後修訂日期: None相關軟體資訊: Windows 10Python 3.7.2Numpy 1.17.3 sklearn 0.21.3matplotlib 3.

檔案建立日期: 2019/12/18最後修訂日期: None相關軟體資訊: Windows 10Python 3.7.2Numpy 1.17.3 sklearn 0.21.3matpltlib 3.1

檔案建立日期: 2019/12/18最後修訂日期: None相關軟體資訊: Windows 10Python 3.7.2Numpy 1.17.3 sklearn 0.21.3matpltlib 3.1

效能調優通常遵循以下步驟：出現效能問題有經驗的人知道可能是什麼原因，並提出具體的建議確定基準效能，應用更改，然後再次測量效能如果與基準相比效能有所改善，請保留更改，否則恢復更改如果現在認為效能已經足夠

引言有錢，在某種程度上好像可以為所欲為……那麼，一般人只能在遊戲中為所欲為。不過這個也是打了折扣的，基本上很難玩到一款讓人真正自由行動的遊戲，“高自由度”想來都是相對而言，少見有突破性的高自由度遊戲。

在我很早之前寫過的文章《機器學習如何入門》中，就首推過吳恩達在 Coursera 上開設的《Machine Learning》課程。這門課最大的特點就是基本沒有複雜的數學理論和公式推導，非常適合入門！

要說當下科技圈炙手可熱的詞兒，“人工智慧”一定佔據一席。不過，雖然是當下的前沿科技，一般人兒還真不一定都能聽懂。何況，當創業者或者大佬們在討論“人工智慧”時，往往還會帶上“機器學習”和“深度學習”。“

今天給大家介紹一份不錯的機器學習學習資源彙總：從入門到進階，所用到機器學習資料，包括書、視訊、原始碼。而這份彙總資源被整理在一張清單裡，非常便於查閱。首先放上這份資源的 GitHub 地址：https

周志華老師的《機器學習》，俗稱“西瓜書”可謂是機器學習的必備書籍。內容全面，質量非常高。然而難點也在於公式的推導和理解。很多人被卡在了這裡。今天，針對推到公式的難題，愛碼士發現了一份非常不錯的資源和筆

今天推薦一個機器學習、深度學習、強化學習完整的線上資源。收穫 star 7k！內容非常豐富，且都整合到了一個地方。使用起來非常方便。首先放上 GitHub 地址：https://github.com/

官方微博：AI有道 轉自：新智元編輯：大明要搞機器學習離不開數學，本文分享一本來自賓夕法尼亞大學計算機系教授Jean Gallier主編的面向機器學習的“數學全書”，內容涵蓋線性代數、概率統計、拓撲

之前做過利用機器學習做交易策略，最近也在看強化學習的。發現大多時候學習後策略都是傾向於空倉，完全不交易。當時還自嘲計算機有大智慧，空倉不玩是最好的策略。最近強化學習時候，才發現這個和回報值有關rewa

我相信紅色石頭的很多讀者朋友都受惠於吳恩達的 deeplearning.ai 專項課程。紅色石頭也不例外，之前在我的公眾號裡連載了 deeplearning.ai 的所有課程筆記，需要的朋友請戳下面的

前段時間，來自SAP（全球第一大商業軟體公司）的樑勁（Jim Liang）公開了自己所寫的一份 520 頁的學習教程（英文版），詳細、明瞭地介紹了機器學習中的相關概念、數學知識和各種經典演算法。編者看

2019-10-23 20:02:30作者 | 夕顏出品 | AI科技大本營（ID:rgznai100）導讀：.NET 框架是由微軟開發，致力於敏捷軟體開發、快速應用開發、具平臺無關性和網路透明化的軟

01 機器學習模型不可解釋的原因前些天在同行交流群裡，有個話題一直在群裡熱烈地討論，那就是 如何解釋機器學習模型 ，因為在風控領域，一個模型如果不能得到很好的解釋一般都不會被通過的，在銀行裡會特別的常

機器之心報導機器之心編輯部據機器之心訊息，知名人工智慧青年學者、華盛頓大學博士陳天奇於近期參與建立了創業公司 OctoML，擔任 CTO 一職。隨著人工智慧的火熱，創業成為了眾多 AI 人才畢業後的選

吳恩達《Machine Learning Yearning》完整中文版開源啦！《Machine Learning Yearning》是吳恩達歷時兩年，根據自己多年實踐經驗整理出來的一本機器學習、深度學