本文主要的目标读者是机器学习爱好者或数据科学的初学者，以及对学习和应用机器学习算法解决实际问题抱有浓厚兴趣的读者。面对大量的机器学习算法，初学者通常会问自己一个典型的问题：「我该使用哪一种算法?」有很多因素会影响这一问题的答案，比如：数据的大小、质量及性质可用计算时间任务的急迫性数据的使用用途在没有测试过不同算法之前，即使是经验丰富的数据科学家和机器学习算法开发者也都不能分辨出哪种算法性能最好。我们并不提倡一步到位，但是我们确实希望根据一些明确的因素为算法的选择提供一些参考意见。机器学习算法速查表可帮助你从大量算法之中筛选出解决你的特定问题的算法，同时本文也将介绍如何使用该速查表。由于该速查表
2021-02-25 16:05:46
497KB
1
本文来自于csdn，本文是基于《kaggle比赛集成指南》来进行总结的概述什么是集成学习，以及目前较为常用的技术。集成方法是指由多个弱分类器模型组成的整体模型，我们需要研究的是：①弱分类器模型的形式②这些弱分类器是如何组合为一个强分类器学习过机器学习相关基础的童鞋应该知道，集成学习有两大类——以Adaboost为代表的Boosting和以RandomForest为代表的Bagging。它们在集成学习中属于同源集成（homogenousensembles）方法；而今天我将主要对一种目前在kaggle比赛中应用的较为广泛的集成方法——StackedGeneralization（SG），也叫堆栈泛化
2021-02-24 18:05:04
463KB
1
模仿学习
此仓库包含一些强化学习算法的简单PyTorch实现：
优势演员评论家（A2C） 的同步变体
近端策略优化（PPO）-最受欢迎的RL算法 ， ，，
策略上最大后验策略优化（V-MPO）-DeepMind在其上次工作中使用的算法 （尚不起作用...）
行为克隆（BC）-一种将某些专家行为克隆到新策略中的简单技术
每种算法都支持向量/图像/字典观察空间和离散/连续动作空间。
为什么回购被称为“模仿学习”？
当我开始这个项目并进行回购时，我认为模仿学习将是我的主要重点，并且无模型方法仅在开始时用于培训“专家”。 但是，PPO实施（及其技巧）似乎比我预期的花费了更多时间。 结果，现在大多数代码与PPO有关，但是我仍然对模仿学习感兴趣，并打算添加一些相关算法。
当前功能
目前，此仓库包含一些无模型的基于策略的算法实现：A2C，PPO，V-MPO和BC。 每种算法都支持离散（分类，伯努利，GumbelSoftmax）和连续（贝塔，正态，tanh（正态））策略分布以及矢量或图像观察环境。 Beta和tanh（Normal）在我的实验中效果最好（在BipedalWalker和Huma
2021-02-02 16:36:47
11.42MB
1
Matlab基于k均值聚类学习算法的rbf神经网络实现-基于k均值聚类学习算法的rbf神经网络实现.rar
基于k均值聚类学习算法的rbf神经网络实现
2020-12-26 10:47:03
991B
1
第一次上传的公开资源
涉及两篇可解释机器学习的论文——①不做事后解释 ②ProtoPNet模型，实现模型级别的可解释，保证了精确度又实现了可解释的图像分类实验。 具体的代码后续也会上传
2020-12-17 17:36:22
1.82MB
1