神经网络究竟干了一件什么事

2018-03-21

神经网络究竟干了一件什么事 今天我们来讨论当下最热门的神经网络，现在深度学习炒的非常火，其实本质还是把神经网络算法进行了延伸和优化！咱们这回的目标就直入主题用最简单的语言让大家清楚神经网络究竟是个 ...

谷歌教你学 AI-第六讲深度神经网络

2018-01-30

谷歌教你学 AI-第六讲深度神经网络 Google Cloud发布了名为\"AI Adventures\"的系列视频，用简单易懂的语言让初学者了解机器学习的方方面面。今天让我们来看到第六讲深度神经网络。 观看更多国外公开课，点 ...

SPSS神经网络心得（二）

2017-10-23

SPSS神经网络心得（二） 这个部分为SPSS神经网络处理输出和保存的一些要点。 输出 网络结构。显示与神经网络有关的摘要信息。 • 描述。 显示与神经网络有关的信息，包括因变量、输入和输出单位数目、隐 ...

SPSS神经网络心得（一）

2017-10-23

SPSS神经网络心得（一） SPSS神经网络，是一个非线性的数据建模工具集合，包括输入层和输出层、一个或者多个隐藏层。神经元之间的连接赋予相关的权重，训练算法在迭代过程中不断调整这些权重，从而使得预测误 ...

Python基于numpy灵活定义神经网络结构的方法

2017-09-10

Python基于numpy灵活定义神经网络结构的方法 这篇文章主要介绍了Python基于numpy灵活定义神经网络结构的方法,结合实例形式分析了神经网络结构的原理及Python具体实现方法,涉及Python使用numpy扩展进行数学运算 ...

机器学习之径向基神经网络

2017-07-25

机器学习之径向基神经网络 本文基于台大机器学习技法系列课程进行的笔记总结。 主要内容如下图所示： 首先介绍一下径向基函数网络的Hypothesis和网络的结构，然后介绍径向基神经网络 ...

R语言实现人工神经网络预测

2017-05-29

R语言实现人工神经网络预测 R语言中很多包（package）关于神经网络，例如nnet、AMORE、neuralnet以及RSNNS。nnet提供了最常见的前馈反向传播神经网络算法。AMORE包则更进一步提供了更为丰富的控制参数，并可以 ...

SPSS统计分析案例:多层感知器神经网络

2017-05-22

SPSS统计分析案例:多层感知器神经网络 神经网络模型起源于对人类大脑思维模式的研究，它是一个非线性的数据建模工具， 由输入层和输出层、 一个或者多个隐藏层构成神经元，神经元之间的连接赋予相关的权重， 训 ...

简单易学的机器学习算法—神经网络之BP神经网络

2017-03-22

简单易学的机器学习算法—神经网络之BP神经网络 一、BP神经网络的概念     BP神经网络是一种多层的前馈神经网络，其主要的特点是：信号是前向传播的，而误差是反向传播的。具体来说，对于如下的 ...

【CDA干货】特征相对重要性：解锁模型鲁棒性与可解释性的双重密钥

2025-12-05

在机器学习落地过程中，“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据，将难以通过合规审查；电商推荐模型若对异常点击数据敏感，会导致推荐效果剧烈波动。而 ...

【CDA干货】数据标准化后出现负值？别急！场景化解决全方案

2025-12-02

在数据预处理的纲量统一环节，标准化是消除量纲影响的核心手段——它将不同量级的特征（如“用户年龄”“消费金额”）转化为同一尺度，为模型训练或业务分析扫清障碍。但很多数据从业者会陷入“负值恐慌”：Z-score ...

【CDA干货】大数据应用的行业密码：不同企业的实践异同与特性适配

2025-11-12

大数据早已不是单纯的技术概念，而是渗透各行业的核心生产力。但同样是拥抱大数据，零售企业的推荐系统、制造企业的设备维护、金融企业的风险控制却呈现出截然不同的形态。其本质在于：大数据的价值落地，始终围绕行 ...

【CDA干货】金融统计实战案例：银行个人信贷违约预测的统计分析与风险应用

2025-11-11

金融统计不是单纯的 “数据计算”，而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估，到投资组合的收益波动分析，再到监管合规的数据报送，统计方法是金融机构控制风险、提升收益的核心 ...

【CDA干货】用模型挖掘数据中的隐性特征：方法、案例与落地指南

2025-11-07

在数据分析与建模中，“显性特征”（如用户年龄、订单金额、商品类别）是直接可获取的基础数据，但真正驱动业务突破的往往是 “隐性特征”—— 它们隐藏在数据关联、行为模式或语义背后，比如 “用户潜在消费偏好” ...

【CDA干货】机器学习分类模型：从原理到实战的完整指南

2025-11-06

在机器学习领域，“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别（是 / 否）” 到 “疾病诊断（良性 / 恶性）”，从 “客户流失预测（流失 / 留存）” 到 “图像分类（猫 / 狗 / 汽车）” ...

【CDA干货】卷积层之后：归一化与激活函数的取舍之道

2025-10-24

在卷积神经网络（CNN）的训练中，“卷积层（Conv）后是否添加归一化（如 BN、LN）和激活函数（如 ReLU、GELU）” 是每个开发者都会面临的基础决策。这三者的组合并非随意搭配，而是深刻影响模型训练稳定性、收敛速度 ...

【CDA干货】机器学习参数重要性分析：从参数类型到落地实践，优化模型性能的核心指南

2025-10-16

在机器学习建模中，“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度，还是神经网络的权重，这些参数的微小调整都可能显著影响模型的预测精度、泛化能力甚至训练效率。但很多从业者 ...

【CDA干货】深度学习的核心引擎：损失函数与反向传播的协同原理与实战

2025-10-09

在深度学习中，“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术：损失函数负责 “量化错误”（计算预测值与真实值的差距），反向传播负责 “定位错误来源”（沿着神 ...

【CDA干货】人工智能重塑工程质量检测：核心应用、技术路径与实践案例

2025-09-24

人工智能重塑工程质量检测：核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一道防线”。传统检测模式依赖人工肉眼观察、手持设备采样、破坏性试验，存在效率低（如 ...

【CDA干货】训练与验证损失骤升：机器学习训练中的异常诊断与解决方案

2025-09-19

训练与验证损失骤升：机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中，“损失曲线” 是反映模型学习状态的核心指标 —— 理想情况下，训练损失与验证损失会随迭代轮次（Epoch）稳步下降，最终趋于平 ...