bootstrap加载表格数据时隐藏属性 机器学习初学者需要了解的基本算法有哪些？
机器学习初学者需要了解的基本算法有哪些？
这里简单总结一下，具体内容可以在作者 的主页。
回归分析方法包括简单线性回归；简单多项式回归；多元线性回归；多元多项式回归；多元回归；逻辑斯谛回归；泊松泊松回归；Cox比例风险回归等。
无监督聚类算法包括K-均值聚类、K-中心聚类、SOM神经网络聚类等。
监督分类算法包括贝叶斯分类算法、ID3决策树分类算法、C4.5决策树分类算法、CART决策树分类算法、支持向量机分类算法等。
神经网络和深度学习算法包括BP神经网络算法、自编码神经网络算法、受限玻尔兹曼机算法、卷积神经网络算法、循环神经网络算法、递归神经网络算法等。
挖掘关联规则的其他常用算法Apriori算法等。此外，一些常用的数据分析方法也需要了解，如方差分析、相关分析等。
20世纪出现的物理学的新研究有？
20世纪60年代，杰出的物理学家Geoffrey Chew提出了一种研究物理的新方法。那个时代的理论家们正试图在一群新发现的粒子中寻找秩序(规律)。他们想知道哪些是自然界的基本成分，哪些是这些基本成分的化合物。然而，加州大学伯克利分校教授周反对这种区分。
自德谟克里特斯以来，科学家们一直在使用简化的方法来了解宇宙，认为宇宙中的一切都是由一些无法进一步解释的基本物质组成的。但周推测，每个粒子都是由其他粒子组成的，而这些其他粒子又是通过交换粒子(胶子)结合起来的，从而传递一种力。所以粒子的特性是自洽反馈回路产生的。
周 的方法称为自举法。早期，周用bootstrap方法预言了ρ介子的质量。ρ介子是由π介子组成的粒子，π介子通过交换ρ介子聚集在一起。
但是ρ介子是个特例，bootstrap方法很快就失去了优势。另一种竞争性理论将质子、中子等粒子视为基本粒子——夸克。这种被称为量子色动力学的夸克相互作用理论更好地匹配了实验数据，并很快成为粒子物理学的三大支柱之一。
但单个夸克的性质似乎是任意的，在另一个宇宙中它们可能是不同的。物理学家认识到，这些粒子并不反映自然的一致理论。相反，无数可能的粒子可以想象在任何数量的空间维度中相互作用，每种情况都可以用它自己的 "量子场论与数学。
几十年来，Bootstrap在物理学中一直不被重视。随着物理学家们发现了似乎可以解决许和。;的问题存在许多问题的新bootstrap技术使这种方法复活了。虽然一致性条件对于梳理复杂的核粒子动力学还是没有太大的帮助。但bootstrap已被证明是理解更对称、更完美理论的有力工具。据专家称，这些理论充当了 "路标和在所有可能的量子场论空间中。
当新一代的物理学家探索这个抽象的理论空间时，他们似乎在验证周 这是半个世纪前提出的愿景。他们的发现表明，所有量子场论的集合形成了独特的数学结构。
物理学家用bootstrap方法探索这个理论空间的几何形式，寻找 "普遍性与多样性。 "普遍性与多样性是一种非同寻常的现象，例如，在磁铁和水等不同的物质中，也会发生同样的行为。他们还发现了量子引力理论的一般特征，对我们自己宇宙中引力的量子起源和时空本身的起源有明显的影响。
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
