为了账号安全,请及时绑定邮箱和手机立即绑定

人工智能数学基础与Python实战

难度初级
时长 3小时30分
学习人数
综合评分8.87
16人评价 查看评价
9.0 内容实用
9.0 简洁易懂
8.6 逻辑清晰
  • 概率分析

    例子:

    http://img.mukewang.com/5f4a56320001d73a06690355.jpg

    玩一次输赢的概率:

    http://img2.mukewang.com/5f4a56a60001bd0802630067.jpg

    如果进行3700次:

    http://img2.mukewang.com/5f4a56e5000138be02440073.jpg

    长久下去基本上都是输的

    概率分析在人工智能中的应用:

    分类,人面识别的情况,预测不同类别可能性的概率

    http://img2.mukewang.com/5f4a58600001a81306520371.jpg

    http://img3.mukewang.com/5f4a598f00014f4b06360298.jpg

    >0 , 值得玩

    <0, 不值得玩

    在某种情况A发生下的B发生的概率: 条件概率的情况

    http://img4.mukewang.com/5f4a5a4400014c1806410348.jpg

    现实的情况,就是在某种分布的条件之下计算某个事情发生的可能性

    http://img1.mukewang.com/5f4a5b220001908606640327.jpg

    你出门的概率 1/4 ,女神出门的概率1/2 ,遇到女神的概率是1/2

    全概率的情况:

    http://img3.mukewang.com/5f4a5c5e0001646a06250360.jpg

    http://img3.mukewang.com/5f4a5d1b0001119f06570195.jpg

    总结出来

    http://img3.mukewang.com/5f4a5d8200015bae06490116.jpg

    贝叶斯公式:

    http://img2.mukewang.com/5f4a5f000001e19906740336.jpg

    贝叶斯公式与全概率、条件概率公式的关系:

    http://img3.mukewang.com/5f4a5fd700015ef506610258.jpg

    条件概率公式/全概率公式 = 贝叶斯公式

    http://img1.mukewang.com/5f4a60520001696906170172.jpg

    所谓的后验概率就是上面的  P( Bi |  A )

    朴素贝叶斯:

    http://img4.mukewang.com/5f4a62690001be4406850374.jpg

    朴素贝叶斯的案例:

    基于用户的性别、年龄和使用的设备,预测用户是否购买产品

    http://img.mukewang.com/5f4a63c40001e38806450372.jpg

    yi 先计算 y=1 或 =0 的各自概率   乘以   xj|yi 计算  x1,x2, x3都为0的概率 / xj 每个x在各自组里面是0的概率

    注意:y = 1 的概率和y!= 1的概率总和不为1

    查看全部
    2 采集 收起 来源:概率基础知识

    2020-08-29

  • sklearn库中引入CategoricalNB失败,但是高斯NB和多项式NB都是有的,请问这是库的问题吗还是我引入错了

    代码为

        from sklearn.naive_bayes import CategoricalNB

    返回信息为

    ImportError: cannot import name 'CategoricalNB' from 'sklearn.naive_bayes' (E:\Anaconda3\lib\site-packages\sklearn\naive_bayes.py)


    查看全部
  • 实战: 利用朴素贝叶斯判断客户消费意愿

    调用sklearn朴素贝叶斯模块的CategoricalNB, 训练模型基于用户信息,预测购买商品的概率。

    http://img.mukewang.com/5f4a66500001383905230233.jpg

    任务一:基于上面的数据,建立朴素贝叶斯模型

    http://img.mukewang.com/5f4a66da0001ab1705820163.jpg

    任务二:基于模型,判断上面用户会否购买

    具体实现代码展示:

    import pandas as pd  //导入pandas库

    import numpy as np  //导入numpy库

    data = pd.read_csv("chapter3_data.csv")  //将数据预先储存为一个csv文件,然后加载到开发环境中来

    data.head()  //读取数据

    #x赋值   x = data.drop(["y"], axis=1)  //将y的一列单独去掉,axis=0为行,axis=1为列

    print(x)

    #y赋值  y = data.loc([: , "y"]) 

    print(y)

    #建立模型

    from sklearn.naive_bayes import CategoricalNB    //从sklearn包的naive_bayes之中导入                    CategoricalNB

    model = CategoricalNB()   //建立模型实例

    model.fit(x , y)   //训练模型

    y_predict_proba  =  model.predict_proba(x)  //预测y=1or=0的概率

    y_predict = model.predict(x)   //输出y的预测值

    #计算模型准确率

    from sklearn.metrics import accuracy_score

    accuracy = accuracy_score(y, y_predict)

    print(accuracy)

    任务二:

    #测试样品x的预测

    X_test = np.array([[0,0,0,1,1,0]])   //先将其转化成为数组形式

    print(X_test)

    y_predict_proba = model.predict_proba(X_test)  //预测样品的购买或不购买的概率

    print(y_predict_proba)

    y_test = model.predict(X_test)  //输出样品的预测值

    print(y_test)






    查看全部
  • 积分:反导数

    不定积分

    定积分

    http://img3.mukewang.com/5f4904d80001942106880390.jpg

    概率密度函数的概念:

    http://img.mukewang.com/5f49077e0001cac006930387.jpg


    查看全部
    1 采集 收起 来源:积分

    2020-08-28

  • 模型求解(AI相关的模型)与梯度下降法

    http://img4.mukewang.com/5f48f1fb000127f907070340.jpg

    偏导数,用于两个或以上的自变量的情况

    http://img3.mukewang.com/5f48f2980001760a07070317.jpg

    寻找适合的a 和 b 值

    http://img4.mukewang.com/5f48f42100018f6107080295.jpg

    目标:尽可能使模型模拟出来的y值接近实际的y值,使两者差值的平方最小化

    http://img2.mukewang.com/5f48f4c900012d0d06640095.jpg

    引入损失函数,使导数后的平方抵消,由于存在m个样品,也除以m

    http://img.mukewang.com/5f48f5cb0001c35803040190.jpg

    应用梯度下降法来计算收敛

    http://img2.mukewang.com/5f48f67a00010a2606740374.jpg

    最后获得一条最优解

    http://img1.mukewang.com/5f48f709000116bd06760375.jpg

    查看全部
  • 房价预测的模型:因子和房价存在线性关系

    则 y =a x + b 

    深度学习中的矩阵运算

    根据用户信息 ,预测是否消费,模仿人的神经结构系统建立深度学习模型

    深度学习的基本框架 : A^2 = x * theta^1, y = A* theta^2

    查看全部


  • 注意


    查看全部
    1. **平方符号

    2. diff(  )求导函数

    3. integrate(  ,  )求积分函数

    4. limit(  ,  ,  )求极限函数

    查看全部
  • Python实现函数微分积分

    查看全部
    1. 不定积分:函数f的不定积分,是一个可导函数F且其导数等于原本的函数f,即F‘= f    (函数的不定积分可以理解为其对应的反导数,有无穷多个)

    2. 定积分:对于一个给定的正实值函数f(x),在一个实数区间上的定积分可以理解为在坐标平面上,由曲线、直线以及轴围成的曲边梯形的面积值

    3. 通过积分求概率

      概率密度:概率密度函数是一个描述随机变量在某个确定的取值点附近的可能性的函数

    4. 积分公式

    查看全部
    0 采集 收起 来源:积分

    2022-04-01

    1. 梯度下降法

    2. 梯度下降法举例

    3. 核心:从一个点出发,沿着导数的反方向逐步逼近极值点

    4. 回归问题求解

    查看全部
    1. 极限

      定义:某一个函数中的某一个变量,此变量在变大(或者变小)的永远变化过程中,逐渐向某一个确定的数值A不断地逼近的过程,此变量的变化,被人为规定为“永远靠近而不停止”、其有一个“不断地极为靠近A点的趋势”称作极限。

    2. 导数

    3. 线性函数,函数在x的导数 =x 对应的斜率

    4. 非线性函数,函数在x的导数 =x 对应切线的斜率

    5. 导数的特点

    查看全部
    0 采集 收起 来源:极限与导数

    2022-03-31

    1. 123

    查看全部
    1. 123

    查看全部
    1. 只有一行的矩阵,称为行矩阵,又称行向量;只有一列的矩阵,称为列矩阵,又称为列向量。

    2. 向量的基本运算:

      (1)遵循矩阵基本运算原则

      (2)矩阵与向量相乘,结果仍为向量

    查看全部
首页上一页123456下一页尾页

举报

0/150
提交
取消
课程须知
实战环节涉及简单的python编程,同学们需要熟悉基础的python语法。
老师告诉你能学到什么?
1、矩阵的基础知识、运算及在AI中的应用 2、极限与导数的理解 3、积分的基础知识及运算 5、条件概率、全概率的基础知识 6、贝叶斯公式与朴素贝叶斯的理解与运用

微信扫码,参与3人拼团

意见反馈 帮助中心 APP下载
官方微信
友情提示:

您好,此课程属于迁移课程,您已购买该课程,无需重复购买,感谢您对慕课网的支持!