专注细节
努力进步

机器学习

第3页

Machine Learing With Spark Note 4: 构建回归模型

burness阅读(2361)评论(0)

Spark构建回归模型 分类和回归是Supervised Machine Learning中比较重要的两个方面,两者差别在于,前者的label值为离散而回归的label为连续。话不多说,本文将为你介绍如何利用Spark MLlib在建立一个 […]

Stanford CS224d笔记之Word2Vec

burness阅读(5086)评论(3)

前言 这篇文章的目的仅仅只是对word2vec有一个大致的了解,网络上有很多相关的文章对word2vec的原理以及数学分析讲的很清楚了,如果你想把word2vec完全搞清楚,可以去看看那些讲解数学原理的文章。本文只适用那些想了解word2v […]

Machine Learing With Spark Note 3:构建分类器

burness阅读(3102)评论(4)

Spark构建分类器 在本章中,我们会了解基本的分类器以及在Spark如何使用,以及一套如何对model进行评价、调参。MLlib在这一块还是比较强大的,但是对比sklearn无论是算法种类以及配套功能还是有很大的差距。不过,据传spark […]

Stanford CS224d笔记之神经网络

burness阅读(2389)评论(2)

Stanford CS224d笔记之神经网络 backgroup {#wiz_toc_1} Logisitc Regression是一种简单有效地分类方法,产生一个线性的boundary decision。但是,在非线性的数据空间中,很难有 […]

机器学习模型评估

burness阅读(3291)评论(0)

前言 当数据好了之后,你所需的只是调下开源包,然后一个模型就出来了,但是,好与不好?谁来界定? 这篇文章,主要针对模型的评估,系统介绍下各种不同的模型的各种评测标准,主要参考Alice Zhang的这篇文章http://www.oreill […]

天池客流预测–GBDT

burness阅读(7121)评论(8)

前记 之前有参加天池的比赛,后面也会分享这个代码,用到过sklearn重的GBDT这个工具,效果还很不错,但是其实一直没有对它的原理搞通,最近花了点时间,好好研究了下GBDT这个东西,感觉很有意思。 基本介绍 有这样一个场景,训练集只有4个 […]

Machine Learning With Spark Note 2:构建一个简单的推荐系统

burness阅读(3530)评论(0)

推荐引擎应用场景: 用户有海量选择:随着场景内item越来越多,用户越来越难以选择到合适的产品 个性化场景:在选择产品时,会借鉴那些与推荐用户相似地群体,利用群体智慧对用户进行推荐”千人千面” 在本篇博客中,会涉及到以下几个部分: 介绍不同 […]

穷人怎么玩tensorflow

burness阅读(6400)评论(4)

之前有在自己的mac上鼓捣过,softmax来训练一个MNIST的数据集,看起来速度还行,但是一涉及到NN就跑不起来了,计算速度太慢了,实在是受不了,打算在台式机上装下tensorflow的gpu版本,谁知道满心欢喜的装上去了,一跑提示需要 […]

如何牛逼地设计电影推荐系统

burness阅读(1960)评论(0)

个性化 所谓个性化就是系统在对每个用户进行相关引导时,应该考虑改用户的特点,比如他的历史搜索行为中表现出来的特点,比如是喜欢科幻、或者喜欢文艺,在搜索相关内容时,可以根据这些潜在模式去调整内容的顺序。 精准营销和消费者分群 精准营销是通过用 […]