热线电话：13121318867

登录
首页精彩阅读机器学习中的基础知识（深入上篇）
机器学习中的基础知识（深入上篇）
2019-02-16
收藏


机器学习的知识有很多，我们在前面的文章中讲述的都是相对比较简单的知识，想必那些已经让大家头疼不已吧？在这篇文章中我们给大家介绍一下机器学习中深层次的知识。大家跟着小编学起来吧。


（1）层就是神经网络中的神经元序列，可以处理输入特征序列或神经元的输出。也是 TensorFlow 的一种抽象化概念。层是将张量和配置选项作为输入、输出其他张量的 Python 函数。一旦必要的张量出现，用户就可以通过模型函数将结果转换成估计器。

（2）学习率就是通过梯度下降训练模型时使用的一个标量。每次迭代中，梯度下降算法使学习率乘以梯度，乘积叫作 gradient step。学习率是一个重要的超参数。

（3）均方误差就是每个样本的平均平方损失。MSE 可以通过平方损失除以样本数量来计算。TensorFlow Playground 展示训练损失和测试损失的值是 MSE。

（4）模型就是机器学习系统从训练数据中所学内容的表示。该术语有多个含义，包括以下两个相关含义，第一个含义就是TensorFlow 图，显示如何计算预测的结构。第二个含义就是TensorFlow 图的特定权重和偏差，由训练决定。

（5）模型训练就是确定最佳模型的过程。

（6）动量就是一种复杂的梯度下降算法，其中的学习步不只依赖于当前步的导数，还依赖于先于它的步。动量包括随着时间计算梯度的指数加权移动平均数，类似于物理学中的动量。动量有时可以阻止学习陷于局部最小值。

（7）多类别就是在多于两类的类别中进行分类的分类问题。

（8）NaN trap就是训练过程中，如果模型中的一个数字变成了 NaN，则模型中的很多或所有其他数字最终都变成 NaN。NaN 是「Not a Number」的缩写。

（9）负类就是在二元分类中，一个类别是正类，另外一个是负类。正类就是我们要找的目标，负类是另外一种可能性。

（10）神经网络该模型从大脑中获取灵感，由多个层组成，其中至少有一个是隐藏层，每个层包含简单的连接单元或神经元，其后是非线性。

（11）神经元神经网络中的节点，通常输入多个值，生成一个输出值。神经元通过将激活函数应用到输入值的加权和来计算输出值。


这篇文章我们给大家介绍了很多机器学习中深入的内容，这些内容都是需要我们了解之前的知识才能够理解这些内容，所以大家不要偷懒或投机哟，要一个步骤一个脚印地来，这样才能巩固坚实的基础储备。希望这篇文章能够给大家带来帮助。


CDA数据分析师考试相关入口一览（建议收藏）：

▷ 想报名CDA认证考试，点击>>>   “CDA报名” 了解CDA考试详情；

▷ 想加入CDA考试题库，点击>>> “CDA题库” 了解CDA考试详情；

▷ 想学习CDA考试教材，点击>>> “CDA教材” 了解CDA考试详情；

▷ 想查询CDA考试成绩，点击>>> “CDA成绩” 了解CDA考试详情；

▷ 想了解CDA考试含金量，点击>>> “CDA含金量” 了解CDA考试详情；

▷ 想获取CDA考试时间/费用/条件/大纲/通过率，点击 >>>“CDA考试官网” 了解CDA考试详情；

机器学习 神经网络 偏差 特征

数据分析咨询请扫描二维码

若不方便扫码，搜微信号：CDAshujufenxi

上一篇机器学习中的基础知识（入门下篇）
下一篇机器学习中的基础知识（深入中篇）
CDA考试动态
CDA报考指南
热门栏目
最新资讯
更多
Copyright © 2015-present 北京国富如荷网络科技有限公司 All Rights Reserved.
京ICP备11001960号-9   京公网安备 11010802034615号   经营许可证编号：京B2-20210330
客服在线
立即咨询