作者归档 | Jason Brownlee

在 165 个数据集上比较 13 种算法（提示：使用梯度提升）

作者： Jason Brownlee 发布于 2019 年 8 月 21 日分类于 XGBoost 20

您应该使用哪种机器学习算法？这是应用机器学习中的一个核心问题。在一篇由 Randal Olson 等人撰写的最新论文中，他们试图回答这个问题，并为您提供一个指南，指导您首先尝试哪些算法和参数来解决您的问题，然后再进行更广泛的算法抽样检查。在这篇文章 […]

作者： Jason Brownlee 发布于 2020 年 12 月 30 日分类于 Start Machine Learning 164

数学、物理甚至计算机科学等技术主题都采用自下而上的方法进行教学。这种方法涉及以逻辑方式组织学习领域中的主题，并遵循复杂性和能力上的自然进展。问题是，人类不是执行学习程序的机器人。我们需要动力、兴奋和 […]

作者： Jason Brownlee 发布于 2020 年 5 月 7 日分类于 Linear Algebra 29

在阅读机器学习方法的描述时，您无法避免数学符号。通常，一个术语或方程中的一个符号片段就足以完全阻碍您对整个过程的理解。这可能非常令人沮丧，尤其是对于来自开发领域的机器学习初学者。您可以 […]

作者： Jason Brownlee 发布于 2019 年 8 月 9 日分类于 Linear Algebra 117

机器学习线性代数速成班。在 7 天内掌握机器学习中使用的线性代数。线性代数是数学领域，被普遍认为是深入理解机器学习的先决条件。虽然线性代数是一个庞大的领域，包含许多晦涩的理论和 […]

作者： Jason Brownlee 发布于 2019 年 8 月 9 日分类于 Linear Algebra 4

数值线性代数关注在计算机上使用实际数据实现和执行矩阵运算的实际影响。这是一个需要一些线性代数先验知识的领域，侧重于运算的性能和精度。公司 fast.ai 发布了一个免费课程，题为“计算线性代数” […]

作者： Jason Brownlee 发布于 2019 年 8 月 9 日分类于 Linear Algebra 8

线性代数是应用数学的一个分支，是阅读和理解深度学习方法（如论文和教科书）正式描述的先决条件。通常，理解线性代数（或其中部分内容）被认为是机器学习的先决条件。虽然这在数学领域很重要，但很少被 […]

作者： Jason Brownlee 发布于 2019 年 8 月 9 日分类于 Linear Algebra 71

包含大部分零值的矩阵称为稀疏矩阵，与大多数值为非零的稠密矩阵不同。大型稀疏矩阵在通用领域，尤其是在应用机器学习中很常见，例如包含计数的数据、将类别映射到计数的编码数据，甚至在整个机器学习子领域中 […]

作者： Jason Brownlee 发布于 2019 年 8 月 9 日分类于 Linear Algebra 12

大小不同的数组不能进行加、减或一般的算术运算。一种克服此问题的方法是复制较小的数组，使其具有与较大数组相同的维数和大小。这称为数组广播，在 NumPy 执行数组算术时可用，这可以大大减少 […]

作者： Jason Brownlee 发布于 2019 年 8 月 9 日分类于 Linear Algebra 21

线性代数是数学的一个子领域，研究向量、矩阵和线性变换。它是机器学习领域的一个关键基础，从描述算法操作的符号到代码中算法的实现。尽管线性代数是机器学习领域不可或缺的一部分，但紧密的关系 […]

作者： Jason Brownlee 发布于 2019 年 8 月 9 日分类于 Linear Algebra 4

有许多书籍介绍了线性代数领域。大多数是面向本科生的教科书，充满了对初学者或该领域从业者来说几乎不相关且分散注意力的理论题外话。在这篇文章中，您将发现这本书“无废话线性代数指南” […]