機器學習筆記 (6) - 適應性線性神經元模型 (Adaptive Linear Neuron; Adaline)

適應性線性神經元模型 (Adaptive Linear Neuron; Adaline)

應性線性神經元模型跟感知器模型很像，差別在於它使用的激勵函數 (Activation function) 是條斜率為1的直線 (所以可微分; 步階函數在0點不可微) 而且權值的更新在通過步階函數之前

機器學習筆記 (5) - Python 練習: 感知器模型 (Perceptron Model)

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

機器學習筆記 (4) - 感知器模型 (Perceptron)

感知器模型 (Perceptron)

1. 激勵函數 (activation function) 為 step function:

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)

• 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)

Anaconda 5.1 安裝 R 的指令

在 Anaconda 命令視窗下打入:

             conda install -c r r-essentials

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

<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