- 博客(53)
- 收藏
- 关注
RSS订阅
原创 自然语言处理：transfomer架构
transfomer是自然语言处理中的一个重要神经网络结构，算是在传统RNN和LSTM上的一个升级，接下来让我们来看看它有处理语言序列上有哪些特殊之处
2024-01-27 16:39:56
1867
24
原创 IP代理池：网络世界的隐形斗篷
在当今互联网时代，网络已成为我们日常生活和工作中的核心部分。然而，随着网络安全和隐私保护意识的增强，IP代理池应运而生，成为了网络用户和开发者的得力助手。本文将深入探讨IP代理池的概念、功能、优势与挑战，以及如何有效利用这一工具。
2024-03-21 09:06:50
383
6
原创 和朋友随时随地玩——幻兽帕鲁服务器极简部署流程
本文将为您提供极简部署幻兽帕鲁服务器的指引，「仅需轻点三次鼠标，即可完成开服」，和自己的朋友一起开心“抓帕鲁”。
2024-01-31 17:05:59
1360
17
原创 强化学习第1天：马尔可夫过程
什么是马尔可夫过程？马尔可夫过程是马尔可夫决策过程的基础，而马尔可夫决策过程便是大部分强化学习任务的抽象过程，本文将从马尔可夫过程开始，一步步带读者理解马尔可夫决策过程
2024-01-10 11:58:21
1269
22
原创 这个AI模型能识别出这个橘子吗？
图像识别任务是人工智能计算机视觉领域一个重要的子任务，本篇文章将通过使用一个预训练模型来帮助读者快速上手图像识别任务
2024-01-08 15:57:37
1270
10
原创 如何解决大语言模型的幻觉问题
在人类生活中，幻觉表示虚假的但是我们分辨不清楚的事物，在大语言模型中，[幻觉]即代表模型生成的虚假的文本，这中情况很容易导致一些错误的发生
2024-01-05 13:07:52
830
7
原创 深度学习第6天：ResNet深度残差网络
ResNet是一种用于图像识别的深度残差网络，是卷积神经网络的一种重要模型，ResNet开创性地引入了残差连接，解决了深层网络在训练过程中梯度弥散的问题，使深层模型的训练更加简便，同时也验证了随着网络层次的加深模型能够获得更好的性能
2023-12-23 19:42:06
2361
16
原创 自然语言处理第3天：Word2Vec模型
Word2Vec是一个经典的语言模型，它的模型参数是一个词嵌入向量矩阵，它的训练目的就是不断优化这个矩阵，以获得高性能的词嵌入向量矩阵，它有两个具体实现
2023-12-14 10:02:18
1144
3
原创 深度学习第5天：GAN生成对抗网络
相信很多人都对手写数字数据集不陌生了，那我们就训练一个生成手写数字的GAN，注意：本示例代码需要的运行时间较长，请在高配置设备上运行或者减少训练回合数。
2023-12-12 10:07:10
1676
3
原创 自然语言处理第2天：自然语言处理词语编码
自然语言处理（Natural LanguageProcessing）简称NLP，与一般的机器学习任务都不相同，自然语言处理研究我们的语言任务，因为文本是一个复杂的东西，我们如何让计算机去理解我们的自然语言是一个很有挑战的事情，一个普遍的思想就是将我们的语言进行编码one-hot是一种简单的词编码方式，它包含每个词在句子中的位置信息，看下面的简单示例假设有这样一句话: I like thestars，那么四个单词对应的one-hot向量分别如图中所示，one-hot向量的长度即为句子长度。
2023-12-10 10:24:07
2211
13
原创 机器学习第15天：GBDT模型
GBDT（Gradient Boosting Decision Tree）也叫做梯度提升决策树，它的主要思想也是集成学习（由名字可以看出GBDT的弱分类器是决策树），即训练多个子模型，结合子模型来得到最终结果，但他们也有一些区别
2023-12-08 11:41:23
1473
26
原创 强化学习第1天：强化学习概述
强化学习是机器学习中一种独特的存在，以其独特的思想逐渐发展为一门独立的学科，强化学习适用的场景是：一个学习主体根据环境做出不同的决策，得到相应的奖励与惩罚来改进决策
2023-12-06 09:47:41
1346
25
原创 自然语言处理：电脑如何理解我们的语言？
在广阔的人工智能领域中，有着这样一个神奇的分支——自然语言处理，它研究人工智能在各种语言场景中的应用，我们不禁会思考这样一个问题，电脑是怎么理解我们的自然语言的呢。
2023-12-04 09:31:44
1515
10
原创 深度学习框架：Pytorch与Keras的区别与使用方法
pytorch和keras都是一种深度学习框架，使我们能很便捷地搭建各种神经网络，但它们在使用上有一些区别，也各自有其特性，我们一起来看看吧我们以最简单的网络定义来学习pytorch的基本使用方法，我们接下来要定义一个神经网络，包括一个输入层，一个隐藏层，一个输出层，这些层都是线性的，给隐藏层添加一个激活函数Relu，给输出层添加一个Sigmoid函数return x])
2023-11-30 06:00:00
3697
28
原创 机器学习实战第3天：手写数字识别
手写数字识别是机器学习中的一个经典问题，通常涉及将手写数字的图像与其对应的数字进行关联。这种问题通常被认为是计算机视觉领域的一个入门任务，也是许多深度学习框架和算法的基础测试案例之一。
2023-11-27 16:26:37
1730
19
原创 机器学习库：numpy
在机器学习中，我们除了关注模型的性能外，数据处理更是必不可少，本文将介绍一个重要的数据处理库numpy，将随着我的学习过程不断增加内容
2023-11-26 21:35:50
683
6
原创 机器学习库：pandas
在机器学习中，我们除了关注模型的性能外，数据处理更是必不可少，本文将介绍一个重要的数据处理库pandas，将随着我的学习过程不断增加内容
2023-11-26 20:59:24
1043
1
原创 深度学习第3天：CNN卷积神经网络
卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要用于处理和识别具有网格结构的数据，如图像和视频。CNN在计算机视觉领域取得了巨大的成功，广泛应用于图像分类、目标检测、人脸识别等任务。
2023-11-26 13:25:28
1385
6
原创 深度学习第2天：RNN循环神经网络
RNN也叫循环神经网络，普通的神经网络层的输入都是上一层的输出，而循环神经网络会在RNN层循环指定次数，这样的特点使得RNN在处理序列数据上表现得很好，因为它可以更好地记住前后文的关系循环神经网络是深度学习中一种重要的结构，一般用来处理文本，语音的序列数据我们通过一个比较直观地感受到了RNN的记忆功能梯度消失与梯度爆炸问题在RNN中更加显著。
2023-11-25 20:34:42
1749
21
原创 机器学习第14天：KNN近邻算法
当我们要判断一个数据为哪一类时，我们找与它相近的一些数据，以这些数据的类别来判断新数据k近邻算法几乎没有训练过程，它只需要记住训练集的特征就行，以便之后进行比较，它不需要拟合什么参数可以绘制准确率曲线来找到最好的k值。
2023-11-25 14:45:39
781
3
原创 深度学习第1天：深度学习入门-Keras与典型神经网络结构
从数据中拟合出某种规律，只是它的模型结构与经典机器学习的模型不同，且具有特色：它的模型结构像人脑的神经元一样连接，所以我们也把这种结构叫做神经网络结构由数个神经元组成一层，整个神经网络由多个层组成，最开始的层叫做输入层，最后的层叫做输出层，输入层与输出层中间的叫做隐藏层，层与层之间互相连接基本要素作为机器学习的一种，深度学习当然也有模型性能评估函数损失函数优化方法，神经网络还有一个激活函数。
2023-11-25 10:05:05
1498
1
原创 机器学习第13天：模型性能评估指标
偏差衡量一个模型预测结果和真实值的差距，偏差高往往代表模型欠拟合方差衡量模型在不同数据集上预测的差异，方差高往往代表模型过拟合。
2023-11-24 11:31:24
1601
20
原创 机器学习实战第2天：幸存者预测任务
根据任务特点挖掘重要特征如何去除无用的特征数据中有空缺值如何处理如何将字符特征转化为数字随机森林模型的应用当然，也可以自己处理特征，自己选择模型，调整参数，看看会不会获得更好的结果。
2023-11-23 12:14:25
1405
10
原创 机器学习实战第1天：鸢尾花分类任务
欢迎订阅专栏——机器学习实战纸上得来终觉浅本专栏项目将着重于解决各类实际机器学习问题，带你上手各种场景的实际问题数据集可以在我的资源中找到，也可以自行搜索文中导入数据集的路径要改成自己的哦！！！不了解机器学习基础的可以阅读专栏机器学习_Nowl的博客-CSDN博客如何查看数据集的大小基本的探索数据之间关系的方法对数据集进行划分的方法基本的模型训练基本的模型评估方法。
2023-11-22 19:16:07
1527
3
原创 机器学习第12天：聚类
某位著名计算机科学家有句话：“如果智能是蛋糕，无监督学习将是蛋糕本体，有监督学习是蛋糕上的糖霜，强化学习是蛋糕上的樱桃”现在的人工智能大多数应用有监督学习，但无监督学习的世界也是广阔的，因为如今大部分的数据都是没有标签的上一篇文章讲到的降维就是一种无监督学习技术，我们将在本章介绍聚类无监督学习的意义聚类的定义K-Means方法聚类绘制K-Means决策边界。
2023-11-22 19:13:02
1800
1
原创 机器学习第10天：集成学习
多个人判断的结合往往比一个人的想法好我们将在下面介绍几种常见的集成学习思想与方法假如我们有一个分类任务，我们训练了多个模型：逻辑回归模型，SVM分类器，决策树分类器，然后我们看他们预测的结果，如果两个分类器预测为1，一个分类器预测为0，那么最后模型判断为1，采用的是一种少数服从多数的思想除了投票分类这种集成方法，我们还有其他方法，例如：使用相同的基础分类器，但是每个分类器训练的样本将从数据集中随机抽取，最后再结合性能，若抽取样本放回，则叫做bagging方法，若不放回，则叫做pasting方法。
2023-11-20 18:37:38
657
7
原创 Vue第1天：特性概览
Vue.js（通常简称为Vue）是一款流行的JavaScript框架，专注于构建用户界面。它的设计灵感来自于现代的JavaScript框架，同时也借鉴了一些传统的MVC模式的思想。Vue.js的简单上手、灵活的设计和强大的特性使得它成为构建现代Web应用的理想选择。通过Vue，你可以更轻松地构建交互式、动态的用户界面。这只是Vue.js的入门介绍，Vue还有很多其他特性和高级用法，如果你对Vue感兴趣，可以深入学习官方文档以及社区资源。
2023-11-18 17:35:38
281
14
原创 机器学习第8天：SVM分类
作用：判别种类原理：找出一个决策边界，判断数据所处区域来识别种类简单介绍一下SVM分类的思想，我们看下面这张图，两种分类都很不错，但是我们可以注意到第二种的决策边界与实例更远（它们之间的距离比较宽），而SVM分类就是一种寻找距每种实例最远的决策边界的算法SVM分类是一种经典的分类算法，也叫大间隔分类算法。
2023-11-17 21:59:42
1242
原创 机器学习第7天：逻辑回归
使用回归算法进行分类任务思想：将回归值转为概率值，然后找到一个适当的数值，当概率大于这个值时，归为一类，当小于这个值时，归为另一类逻辑回归是一种简单的分类方法，二分类任务就用第一种方法，多分类任务就用第二种方法%5Csigma%5Ctheta。
2023-11-17 21:07:53
729
原创 机器学习第6天：线性回归模型正则化
正则化是为了防止模型过拟合原理：在损失函数中加入一个正则项，使模型减少损失的同时还要降低模型复杂度它往往给模型约束，来使它无法完全迎合训练集数据在本文中我们将看到三种正则化方法三种方法思想差不多，只是约束模型复杂度的方法不同。
2023-11-16 20:07:42
418
原创 机器学习第5天：多项式回归与学习曲线
学习曲线就是以损失函数为纵坐标，数据集大小为横坐标，然后在图上画出训练集和验证集两条曲线，训练集就是我们用来训练模型的数据，验证集就是我们用来验证模型性能的数据集我们先定义一个学习曲线绘制函数plt.show()简单介绍一下，这个函数接收模型参数，x，y参数，然后在for循环中，取不同数据集大小来计算RMSE损失（就是），然后把曲线绘制出来。
2023-11-15 16:04:02
341
1
原创 机器学习第4天：模型优化方法—梯度下降
在一个多元函数中，某点的梯度方向代表函数增加最快的方向，梯度下降的原理就是，找到损失函数下降最快的方向（与梯度方向相反），然后往这个方向走，最后达到损失函数的最小值，如下图，从高的红色点到达了低的蓝色点，梯度下降就是这样一个过程我们可以得到一个参数更新公式，把参数设为a， 梯度设为grad，那么。
2023-11-14 16:44:01
274
2
原创 机器学习第3天：线性回归
线性回归问题是机器学习中最基本的问题，它常用来预测一些和特征具有线性关系的值，我们在之前的文章中也提到过，可见这篇文章机器学习第1天：概念与体系漫游-CSDN博客。
2023-11-12 15:40:44
375
4
原创 机器学习第1天：概念与体系漫游
当人们听到“机器学习”这个词汇时，可能相到的时某个科幻电影中的机器人。但是近几年来，人工智能已经逐渐出现在了我们生活的方方面面了，人工智能的强大或许会引起一些人的恐慌，担心最终是否会控制人类但当我们了解人工智能的基本原理后，就会发现目前来说，机器很难产生智能，让我们来具体了解机器学习吧。
2023-11-10 11:16:43
585
4
原创 python——tkinter实战：反弹球小游戏
这个球类有三个方法，初始化，击中挡板和移动初始化方法里主要定义小球以及将挡板引入(方便判断碰撞事件)，还初定义了球的移动击中挡板方法里定义了小球与挡板的碰撞事件，将在后续代码里处理移动方法则定义了小球的移动，以及与窗口边缘触碰后发生的事件self.x = 0self.x = 0self.x = 0self.x = 3挡板类有四个方法，初始化方法，挡板移动方法，向左和向右方法初始化方法定义了挡板的基础数值和监听键盘按下左和右的事件挡板移动方法则处理了当挡板超过窗口边界发生的事。
2023-11-08 20:58:10
432
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人