机器学习 （Machine Learning）
定义：
是对研究问题进行模型假设，利用计算机从训练数据中学习得到模型参数。并最终对数据进行预测和分析的一门学科。
二分类问题的基本解决思路：
（1）建立假设模型（可理解为函数）。即建立一条直线，表达式为y=f(x)=W1x + W0。
则通过确定模型参数W1与W0的取值，就可以确定函数的具体位置。
（2）训练模型。利用已明确分类结果的样本数据集（称为训练集）进行训练，即函数参数的求解过程。得到参数W1与W0的最终取值，则得到最终的训练模型。
（3）进行分类判别。利用训练好的模型对待分类的数据进行分类判别，得出其属于哪一类。
多类分类问题可分为二
2022-07-09 16:17:37
204KB
1
资源包含文件：课程论文报告word和PDF两个版本+源码及数据
本项目为一个Hadoop课程设计，使用Java语言和map/reduce实现贝叶斯文本分类器。项目的具体内容如下：1：用MapReduce算法实现贝叶斯分类器的训练过程，并输出训练模型； 2：用输出的模型对测试集文档进行分类测试。测试过程可基于单机Java程序，也可以是MapReduce程序。输出每个测试文档的分类结果； 3：利用测试文档的真实类别，计算分类模型的Precision，Recall和F1值。
详细介绍参考：https://blog.csdn.net/newlw/article/details/124984567
2022-07-06 17:05:11
13.32MB
山东大学人工智能导论实验3工程文件-Logistic回归分类器识别猫
详解博客地址：https://blog.csdn.net/m0_52316372/article/details/125626670
内容：
建立Logistic回归分类器用来识别猫。参考1 和 参考2
目标：
基于作业二的拓展，进一步理解神经网络的思想
理解逻辑回归实际上是一个非常简单的神经网络
代码要求
1. 定义模型结构
2. 初始化模型的参数
3. 循环
计算当前损失（前向传播）
计算当前梯度（反向传播）
更新参数（梯度下降）
文档要求：
尝试不同的学习率（至少三种），观察不同学习率下随着迭代次数的增加损失值的变化，请粘贴不同学习率下损失的变化曲线图像，放到一张图像上，分析不同的学习率对模型准确率的影响及原因，如何选择合适的学习率。
数据集介绍：
datasets/train_catvnoncat.h5
保存的是训练集里面的图像数据（本训练集有209张64x64的图像）及对应的分类值（0或1，0表示不是猫，1表示是猫）
datasets/ test_catvnonca
2022-07-05 21:05:38
2.74MB
1