jpg) ## 机器学习-第十一章 关联规则 黄海广 副教授 2021年06月 ## 本章目录 01 关联规则概述 02 Apriori 算法 03 FP-Growth 算法 ### 1. 关联规则概述 ## 01 关联规则概述 02 Apriori 算法 03 FP-Growth算法 ### 1. 关联规则概述 ## 关联规则 关联规则（Association Rules） 其中一个事物就能够通过其他事物预测到。 关联规则可以看作是一种IF-THEN关系。假设商品A被客户购买，那么在相同的交易ID下，商品B也被客户挑选的机会就被发现了。  ### 1. 关联规则概述 有没有发生过这样的事：你出去买东西，结果 购买更多的商品。  ### 1. 关联规则概述 购物车分析是大型超市用来揭示商品之间关联的关键技术之一。他们试图找出不同物品和产品之间的关联，这些物品和产品可以一起销售，这有助于正确的产品放置。 ![Image](/uploads/do

## PyTorch ## 什么是梯度 主讲人：龙良曲 ## Clarification 导数, derive - 偏微分, partial derive 梯度, gradient $$ \nabla f=\left(\frac{\partial f}{\partial x_{1}};\frac{\partial f}{\partial x_{2}};\ldots;\frac{\partial

## 机器学习-高等数学回顾 黄海广 副教授 2021年07月 ## 高等数学 ### 1. 导数定义： 导数和微分的概念 $$ f^{\prime}(x_{0})=\lim_{\Delta x\to0}\frac{f(x_{0}+\Delta x)-f(x_{0})}{\Delta x} $$ 或者： $ f'(x_{0}) = \lim_{x \to x_{0}} \frac{f(x) \frac{f(x) - f(x_{0})}{x - x_{0}} $ ## 高等数学 ### 2. 左右导数导数的几何意义和物理意义 函数 $ f(x) $ 在 $ x_{0} $ 处的左、右导数分别定义为： 左导数： $ f_{-}^{\prime}(x_{0})=\lim_{\Delta x\to0^{-}}\frac{f(x_{0}+\Delta x)-f(x_{0})}{\Delta x)-f(x_{0})}{\Delta x}=\lim_{x\to x_{0}^{-}}\frac{f(x)-f(x_{0})}{x-x_{0}},(x=x_{0}+\Delta x) $ 右导数： $ f_{+}^{\prime}(x_{0})=\lim_{\Delta x\to0^{+}}\frac{f(x_{0}+\Delta x)-f(x_{0})}{\Delta x}=\lim_{x\to x_{0}^{+}}\fr

1. 导数定义： 导数和微分的概念 $$ f^{\prime}(x_{0})=\lim_{\Delta x\to0}\frac{f(x_{0}+\Delta x)-f(x_{0})}{\Delta x} $$ $$ f^{\prime}(x_{0})=\lim_{x\to x_{0}}\frac{f(x)-f(x_{0})}{x-x_{0}} $$ ### 2. 左右导数导数的几何意义和物理意义 左右导数导数的几何意义和物理意义 函数 $ f(x) $ 在 $ x_{0} $ 处的左、右导数分别定义为： $$ f^{\prime}_{-}(x_{0})=\lim_{\Delta x\to0^{-}}\frac{f(x_{0}+\Delta x)-f(x_{0})}{\Delta x}=\lim_{x\to x_{0}^{-}}\frac{f(x)-f(x_{0})}{x-x_{0}},(x=x_{0}+\Delta u^{\prime}-uv^{\prime}}{v^{2}}(v\neq0) $$ $$ d(\frac{u}{v})=\frac{vdu-udv}{v^{2}} $$ ### 6. 基本导数与微分表 (1) y = c （常数） 则： $ y' = 0 $ dy = 0 (2) $ y = x^{\alpha} $ ( $ \alpha $ 为实数) 则： $ y'

1.1 关于程序的编译和链接 2 makefile 介绍 2.1 makefile 的规则 2.2 一个示例 2.3 make 是如何工作的 2.4 makefile 中使用变量 2.5 让 make 自动推导 2.6 makefile 的另一种风格 2.7 清空目录的规则 2.8 Makefile 里有什么？ 2.9 Makefile 的文件名 2.10 10 包含其它 Makefile 2.11 环境变量 MAKEFILES 2.12 make 的工作方式 3 书写规则 3.1 规则举例 3.2 规则的语法 3.3 在规则中使用通配符 3.4 文件搜寻 3.5 伪目标 3.6 多目标 3.7 静态模式 3.8 自动生成依赖性 4 书写命令 4.1 显示命令 4.2 命令执行 4.3 命令出错 8.4 检查规则 ..... 57 8.5 make 的参数 ..... 57 9 隐含规则 ..... 61 9.1 使用隐含规则 ..... 61 9.2 隐含规则一览 ..... 62 9.3 隐含规则使用的变量 ..... 64 9.3.1 关于命令的变量。 ..... 64 9.3.2 关于命令参数的变量 ..... 65 9.4 隐含规则链 ....

6.6 误差计算 6.7 神经网络类型 6.8 油耗预测实战 6.9 参考文献 第7章 反向传播算法 7.1 导数与梯度 7.2 导数常见性质 7.3 激活函数导数 7.4 损失函数梯度 7.5 全连接层梯度 7.6 链式法则 7.7 反向传播算法 7.8 Himmelblau 函数优化实战 方式，人类可以将提前设计好的交互逻辑交给机器重复且快速地执行，从而将人类从简单枯燥的重复劳动工作中解脱出来。但是对于需要较高智能水平的任务，如人脸识别、聊天机器人、自动驾驶等任务，很难设计明确的逻辑规则，传统的编程方式显得力不从心，而人工智能(Artificial Intelligence，简称 AI)是有望解决此问题的关键技术。 随着深度学习算法的崛起，人工智能在部分任务上取得了类人甚至超人的智力水平，如在围棋上 工智能的探索足迹。早期，人们试图通过总结、归纳出一些逻辑规则，并将逻辑规则以计算机程序的方式实现，来开发出智能系统。但是这种显式的规则往往过于简单，并且很难表达复杂、抽象的概念和规则。这一阶段被称为推理期。 1970 年代，科学家们尝试通过知识库加推理的方式解决人工智能，通过构建庞大复杂的专家系统来模拟人类专家的智能水平。这些明确指定规则的方式存在一个最大的难题，就是很多复杂、抽象的概念无法用具