問題1：為什麼需要特徵資料標準化（feature normalization）？
看下圖的計算公式，機器學習的訓練是需要不斷調整a,b,c三個引數的大小來進行**優化的，但是，a和b少許的變化對於整體****的結果變化不大，需要不斷調整，這樣就減慢了訓練的效果；就比如a,b,c三個人工作，c最快做完工作，只能等速度慢的a和b做完工作才能結束，那樣就影響了效率，所以我們需要進行特徵資料標準化的處理，以達到訓練速度的提公升！
問題2：如何進行特徵資料標準化？
特徵資料標準化的兩種方式——原則是大的資料濃縮，小的資料拓展。
我所理解的人工智慧
很多人容易把人工智慧理解為機械人。機械人是人工智慧的乙個實際體現。人工智慧應用很廣泛。下面我來談談我的理解。人工智慧可分開理解為 人工 和 智慧型 即人類創造出來的智慧型，從廣義上來講只要人類創造出來，能為人類工作減少人類操作步驟，提高工作效率，代替人類工作的都可以歸為人工智慧，從狹義上來講，是人工...
人工智慧（文字特徵資料抽取）
sklearn.feature extraction.text.countverctorizer from sklearn.feature extraction import dictvectorizer from sklearn.feature extraction.text import cou...
資料蔣堂 人工智慧中的「人工」
自從alphago贏了之後，人工智慧就變得非常熱門了。不過，大家在關注 智慧型 時，卻很少把注意力放在 人工 上，似乎感覺上了人工智慧之後，一切都能自動化了。其實，這份智慧型的背後有著大量的 人工 還有相當多不能自動化的事情。這裡的 人工 主要體現在兩個方面 1.資料準備 現代的人工智慧技術，或者說...