发简信
IP属地：江西
-
-
@伯弥 这是自己写的.py文件，请到我的github里面下载这个文件
deep_learning_month4_week2_Residual_Networks
deep_learning_month4_week2_Residual_Networks 标签： 机器学习深度学习 代码已上传github:https://github.co...
-
泰坦尼克号数据分析以及幸存预测泰坦尼克号数据分析 标签： 机器学习深度学习 这个是对kaggle上的泰坦尼克号的数据分析,通过对数据中的各个特征,进行最后是否能够幸存的预测,然后与是否幸存的标签进行比较,...
-
-
-
维护开源书《Chrome插件英雄榜》《在线工具秘籍》《中国人的表情包》
-
deep_learning_month4_week2_Residual_Networksdeep_learning_month4_week2_Residual_Networks 标签： 机器学习深度学习 代码已上传github:https://github.co...
-
Apriori算法进行数据特征挖掘
Apriori算法进行数据特征挖掘 标签：推荐算法 我们很多人都听过一个故事，就是一个商店主观察到一个规律，于是总是把蛋挞和雨伞摆在一起，并且这显著增加了这两种物品在该商店的...
-
隐语义模型与推荐算法
隐语义模型与推荐算法 标签：推荐算法 LFM(latent factor model)隐语义模型，这也是在推荐系统中应用相当普遍的一种模型。 这种方法，先对所有的物品进行分类...
-
SVD解析以及用其实现推荐算法SVD解析以及用其实现推荐算法 标签：推荐算法 [TOC] 首先介绍一下SVD，是对一个$mn$规模矩阵进行奇异值分解，最后得到的为：$$A = U∑V^T$$其中$V$是$...
-
octave实现协同过滤推荐算法octave实现协同过滤推荐算法 标签：推荐算法 这是对关于电影评分的数据集使用协同过滤算法，实现推荐系统。 数据来源为：电影数据 先从本地导入数据(代码如下)： 现在对矩阵...
-
TensorFlow搭建"简易"Wide and Deep 模型
TensorFlow搭建"简易"Wide and Deep 模型 标签：推荐算法 [TOC] Wide & Deep 模型是谷歌在2016年发表的论文中所提到的模型。在论文中...
-
deep_learning_month4_week1_convolution_model_step_by_step
deep_learning_month4_week1_convolution_model_step_by_step 标签： 机器学习深度学习 代码已上传github:http...
-
#deep_learning_month4_week1_Convolution_model_Application
deep_learning_month4_week1_Convolution_model_Application 标签： 机器学习深度学习 代码已上传github:https...
-
阿里云官网内容平台！汇聚阿里云优质内容（入门、文档、案例、最佳实践、直播等）！如需转载或内容类合作，邮件yqgroup@service.aliyun.com 秒级回复！<br>
-
#吴恩达deep_learning_month2_week3_TensorFlow_Tutorial吴恩达deep_learning_month2_week3_TensorFlow_Tutorial 标签： 机器学习深度学习 代码已上传github:https://gith...
-
SVD解析以及用其实现推荐算法
SVD解析以及用其实现推荐算法 标签：推荐算法 [TOC] 首先介绍一下SVD，是对一个$mn$规模矩阵进行奇异值分解，最后得到的为：$$A = U∑V^T$$其中$V$是$...
-
吴恩达deep_learning_month2_week2_Optimization_methods吴恩达deep_learning_month2_week2_Optimization_methods 标签： 机器学习深度学习 [TOC] 这次的题目是优化算法，即使用 mo...
-
吴恩达deep_learning_month2_week1吴恩达deep_learning_month2_week1 标签： 机器学习深度学习 这是一个包含三个优化方案的作业文案，包括：参数初始化，正则化，梯度检验。下面将一个个实现...
-
吴恩达deep_learning_week4.2_Deep_Neural_Network吴恩达deep_learning_week4.2_Deep_Neural_Network 标签： 机器学习深度学习 1.1 首先先导入包，（注意这和上一篇有一点不一样，多了一...
