Python 練習: 感知器模型 (Perceptron Model)
為了加深對演算法的了解
還有練習感知器模型在程式上的實作
以下是我的參考程式碼, 有錯還請指正。
https://github.com/u8913557/myDataScience/tree/master/ML
https://github.com/u8913557/myDataScience/blob/master/ML/perceptron_test.py
2018年4月4日 星期三
2018年4月1日 星期日
機器學習筆記(3) - 機器學習常用的演算法
機器學習常用的演算法:
0. 感知器模型 (Perceptron)
1. 適應性線性神經元 (Adaptive Linear Neuron; Adaline)
2. 線性回歸 (Linear Regression)
3. 邏輯回歸 (Logistic Regression)
4. 支持向量機 (Support Vector Machine; SVM)
5. 決策樹 (Decision Tree)
6. K-最近鄰演算法 (K-Nearest Neighbor; KNN)
7. K-均值演算法 (K-Means)
8. 隨機森林演算法 (Random Forest)
0. 感知器模型 (Perceptron)
1. 適應性線性神經元 (Adaptive Linear Neuron; Adaline)
2. 線性回歸 (Linear Regression)
3. 邏輯回歸 (Logistic Regression)
4. 支持向量機 (Support Vector Machine; SVM)
- Linear SVM
- Kernel SVM
5. 決策樹 (Decision Tree)
6. K-最近鄰演算法 (K-Nearest Neighbor; KNN)
7. K-均值演算法 (K-Means)
8. 隨機森林演算法 (Random Forest)
2018年3月31日 星期六
2018年3月30日 星期五
Blogger 加入 MathJax 的方式
在Layout中加入一個HTML/Javascript 小工具
然後在裡面貼上一段script
以下是測試內容:
\[ \mathbf{V}_1 \times \mathbf{V}_2 = \begin{vmatrix} \mathbf{i} & \mathbf{j} & \mathbf{k} \\ \frac{\partial X}{\partial u} & \frac{\partial Y}{\partial u} & 0 \\ \frac{\partial X}{\partial v} & \frac{\partial Y}{\partial v} & 0 \\ \end{vmatrix} \]
然後在裡面貼上一段script
<script type="text/x-mathjax-config"> MathJax.Hub.Config({tex2jax: {inlineMath: [['$','$'], ['\\(','\\)']]}}); </script>
<script src="http://cdn.mathjax.org/mathjax/latest/MathJax.js?config=TeX-AMS-MML_HTMLorMML" type="text/javascript"></script>
以下是測試內容:
\[ \mathbf{V}_1 \times \mathbf{V}_2 = \begin{vmatrix} \mathbf{i} & \mathbf{j} & \mathbf{k} \\ \frac{\partial X}{\partial u} & \frac{\partial Y}{\partial u} & 0 \\ \frac{\partial X}{\partial v} & \frac{\partial Y}{\partial v} & 0 \\ \end{vmatrix} \]
機器學習筆記 (2) - 機器學習分類
機器學習(Machine Learning)是實現人工智慧(A.I.)的一種方式
其中又可分成三大類:
- 監督式學習 (supervised learning) 的目標：
給定輸入資料與所對應的標籤進行訓練學習
2018年1月12日 星期五
機器學習筆記(1) - 基本數學名詞
訂閱：
文章 (Atom)