深度学习 - 在线下载 - securityreporthub.icu

机器学习流程：数据获取特征工程建立模型评估与应用特征工程的作用：数据特征决定了模型的上限预处理和特征提取是最核心的算法与参数选择决定了如何逼近这个上限特征如何提取：传统特征提取方法：为什么需要深度学习：深度学习应用：深度学习应用：深度学习应用：深度学习应用：深度学习应用： CDA LEVEL Ⅰ案例试听：计算机视觉：图像分类任务（假设我们有一系列的标签：狗，猫，汽车，飞机。。。）猫：计算机视觉：图像表示：计算机眼中的图像一张图片被表示成三维数组的形式，每个像素的值从0到255 例如：300*100*3 ：计算机视觉面临的挑战：照射角度：形状改变：：计算机视觉面临的挑战：部分遮蔽：背景混入：：机器学习常规套路： 1.收集数据并给定标签 2.训练一个分类器 3.测试，评估： K近邻算法：数据：两类点方块和三角绿色的点属于方块还是三角呢？ K=3还是K=5？结果一样吗？： K近邻计算流程： 1.计算已知类别数据集中的点与当前点的距离 2.按照距离依次排序 3.选取与当前点距离最小的K个点 4.确定前K个点所在类别的出现概率 5.返回前K个点出现频率最高的类别作为当前点预测分类： K近邻分析 KNN 算法本身简单有效，它是一种 lazy-learning 算法。分类器不需要使用训练集进行训练，训练时间复杂度为0。 KNN 分类的计算复杂度和训练集中的文档数目成正比，也就是说，如果训练集中文档总数为 n，那么 KNN 的分类时间复杂度为O(n)。 K 值的选择，距离度量和分类决策规则是该算法的三个基本要素

深度学习

文档预览

中文文档 172 页 50 下载 1000 浏览 0 评论 0 收藏 3.0分

赞助8元下载(无需注册)

温馨提示：本文档共172页，可预览 3 页，如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档

下载文档到电脑，方便使用

赞助8元下载

本文档由路人甲于 2022-08-16 02:29:55上传分享