没有合适的资源？快使用搜索试试~ 我知道了~

文库首页移动开发其它machine leaning 谷歌课程

machine leaning 谷歌课程

machine

learning

需积分: 5 0 下载量 194 浏览量 2022-10-09 10:25:10 上传评论收藏 1.75MB DOCX 举报

温馨提示

试读

61页

machine leaning 谷歌课程

资源推荐

资源详情

资源评论

Restricted Information and Basic Personal Data

附录

历程位置: https://github.com/google/eng-edu/tree/main/ml/cc/exercises

简介

语法检测，人脸识别等通过大量数据来推断。

框架

什么是（监督）机器学习？简而言之，它是以下内容：

� ML 系统学习如何组合输入以对从未见过的数据产生有用的预测。

让我们探索基本的机器学习术语。

标签

标签是我们预测的东西——简单线性回归中的变量 y。标签可以是小麦的未来

价格、图片中显示的动物种类、音频剪辑的含义，或者任何东西。

特征

特征是一个输入变量——x 简单线性回归中的变量。一个简单的机器学习项目

可能使用单个特征，而更复杂的机器学习项目可能使用数百万个特征，具体如

下：

x1,x2,...xN

在垃圾邮件检测器示例中，功能可能包括以下内容：

� 电子邮件文本中的单词

� 寄件人地址

� 发送电子邮件的时间

� 电子邮件包含短语“一个奇怪的技巧”。

Restricted Information and Basic Personal Data

例子

一个示例是数据的特定实例 x。（我们用粗体表示 x 表示它是一个向量。）我

们将示例分为两类：

� 标记示例

� 未标记的示例

带标签的示例包括特征和标签。那是：

labeled examples: {features, label}: (x, y)

使用带标签的示例来训练模型。在我们的垃圾邮件检测器示例中，标记示例是

用户明确标记为“垃圾邮件”或“非垃圾邮件”的单个电子邮件。

例如，下表显示了来自包含加利福尼亚房价信息的数据集中的 5 个标记示

例：

住房中位年龄

（特征）

totalRooms

（功能）

总卧室

（特征）

中值房屋价值

（标签）

5612

1283

66900

7650

1901

80100

720

174

85700

1501

337

73400

1454

326

65500

未标记的示例包含特征但不包含标签。那是：

unlabeled examples: {features, ?}: (x, ?)

以下是来自同一住房数据集的 3 个未标记示例，其中不包括

medianHouseValue：

住房中位年龄

（特征）

totalRooms

（功能）

总卧室

（特征）

1686

361

1226

180

1077

271

一旦我们用标记的例子训练了我们的模型，我们就可以使用该模型来预测未标

记例子的标签。在垃圾邮件检测器中，未标记的示例是人类尚未标记的新电子

邮件。

Restricted Information and Basic Personal Data

模型

模型定义了特征和标签之间的关系。例如，垃圾邮件检测模型可能会将某些特

征与“垃圾邮件”密切相关。让我们重点介绍一下模型生命的两个阶段：

� 训练意味着创建或学习模型。也就是说，您向模型展示标记示例，并使

模型逐渐学习特征和标签之间的关系。

� 推理意味着将训练好的模型应用于未标记的示例。也就是说，您使用经

过训练的模型进行有用的预测 ( y')。例如，在推理过程中，您可以预测

medianHouseValue（中间值房价）新的未标记示例。

回归与分类

回归模型预测连续值。例如，回归模型做出的预测回答如下问题：

� 加州的房子值多少钱？

� 用户点击此广告的概率是多少？

分类模型预测离散值。例如，分类模型做出的预测回答如下问题：

� 给定的电子邮件是垃圾邮件还是不是垃圾邮件？

� 这是狗、猫还是仓鼠的图像？

开始 ML

线性回归

众所周知，蟋蟀（一种昆虫物种）在炎热的日子里比在凉爽的日子里更频繁地

鸣叫。几十年来，专业和业余科学家对每分钟啁啾和温度的数据进行了编目。

作为生日礼物，你的姨妈露丝给了你她的板球数据库，并要求你学习一个模型

来预测这种关系。使用这些数据，您想探索这种关系。

首先，通过绘制数据来检查您的数据：

Restricted Information and Basic Personal Data

图 1. 每分钟啁啾声与摄氏温度的关系。

正如预期的那样，该图显示温度随着啁啾的数量而上升。啁啾和温度之间的关

系是线性的吗？是的，您可以绘制一条如下所示的直线来近似这种关系：

Restricted Information and Basic Personal Data

图 2. 线性关系。

诚然，这条线并没有穿过每个点，但这条线确实清楚地显示了啁啾声和温度之

间的关系。使用直线方程，您可以将这种关系写成如下：

y=mx+b

在哪里：

� y 是摄氏温度——我们试图预测的值。

� m 是线的斜率。

� x 是每分钟啁啾的数量——我们输入特征的值。

� b 是 y 截距。

按照机器学习的惯例，您将编写模型的方程略有不同：

y′=b+w1x1

在哪里：

� y′是预测的标签（期望的输出）。

� b 是偏差（y 截距），有时称为 w0.

� w1 是特征 1 的权重。权重和“斜率”是同一个概念 m 在传统的直线方程中。

� x1 是一个特征（一个已知的输入）。

剩余60页未读，继续阅读

评论收藏

内容反馈

资源评论

资源反馈

评论星级较低，若资源使用遇到问题可联系上传者，3个工作日内问题未解决可申请退款~

弗泽智能

粉丝: 25
资源: 6

上传资源快速赚钱

我的内容管理展开

我的资源快来上传第一个资源

我的收益

登录查看自己的收益

我的积分登录查看自己的积分

我的C币登录后查看C币余额

我的收藏

我的下载

下载帮助

前往需求广场，查看用户热搜

machine leaning 谷歌课程

Python Machine Learning: Unlock deeper insights into Machine Leaning with this

Dataset Shift in Machine Leaning

斯坦福机器学习讲义(全)Stanford_Machine_Leaning

A bit of Pyton&Machine; Leaning System with Python

Machine Learning with R epub

64441765machine-leaning

斯坦福机器学习讲义(全)Stanford-Machine-Leaning

Building.Intelligent.Systems.A.Guide.to.Machine.Learning.Engineering.

Python Machine Learning.pdf 无水印书签修正完美版 2015

斯坦福机器学习讲义(全)Stanford-Machine-Leaning.pdf

《Leaning OpenCV》源码

Machine_Leaning_Engineer_Udacity_NanoDegree

Professional Machine Learning with Spark and Python.zip

源码Python Machine Learning. Machine Learning and Deep Learning with Py, scikit

Measuring-Corporate-Culture-Using-Machine-Learning:MS20190155的代码存储库

学习OpenCV Leaning OpenCV （英文版v1 + 英文v2 + code）

Andrew NG的机器学习详尽笔记

机器学习讲义斯坦福大学吴恩达博士

leaning_OpenCV.rar_leaning opencv

vdhcoapp-windows-x86-64-installer 2.0.19

大麦抢票+源代码+辅助工具+详细文档教程

嵌入式，PL2303-win11驱动程序

aurora-v3.0.4s-release.exe

labview入门开发100实例及对应部分vi

Unityhub 国际版 Windows版本 下载时间：2022年9月9日 10:35

CANdb++Admin完整安装包

MC大龙老师新版scratch3.0编程素材（第四版）

蓝桥杯第十四届省赛真题源码

INFI75 Driver V2.exe

最新资源

Unityhub 国际版 Windows版本下载时间：2022年9月9日 10:35