机器学习第三次打卡

最新推荐文章于 2024-09-26 09:20:14 发布

Starmeteorite

最新推荐文章于 2024-09-26 09:20:14 发布

阅读量79

点赞数

文章标签：机器学习

本文链接：https://blog.csdn.net/Starmeteorite/article/details/132504320

版权

本次打卡没有得到进步，学习模型迭代优化，没有学清楚，模棱两可的修改了代码，结果没有变化。

最后的打卡，做个学习方法的总结：

对于机器学习，有编程基础的我觉得先弄清楚机器学习中对应的专用名词弄清楚什么意思。有些知识点可能接触过，但使用的名词可能不知道在描述什么。没有编程基础的从刚开始给的代码入手，一句一句的看明白，不明白的及时上网搜，网上看不明白的在群里直接问助教。

第一次的跑通baseline是已经给出了现成的代码，交给没有基础的同学如何运行

随后几次按模块教学，每个模块相对来说比较独立，没有知识交叉，每次单独拿出一个模块来学，提升不了成绩不需要着急，一个模块一个模块来，最后的结果是靠各个模块共同计算的，但知识并不影响，学会了原理可以在网上找一些类似的代码，看懂之后就可以尝试着加入我们的代码中，不断进行迭代最后得到满意的结果

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Starmeteorite

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

第三次机器学习打卡

m0_62765078的博客

10-24

136

4.2信息熵：度量样本集合纯度的一种指标 ID3：以信息增益为准则进行划分 C4.5：以信息增益率为准则进行划分属性 CART：以基尼系数来选择属性信息增益准则对可取数值数目较少的属性有所偏好，所以C4.5的做法是先选增益高的，再从其中选增益率高的 4.3：剪枝处理过拟合避免不了，只能减缓过拟合主要通过剪枝来应对过拟合预剪枝：在决策树生成前进行估计。很多分支没有来得及展开，虽然减少了训练时间开销，但是增加了欠拟合的风险后剪枝：在生成一棵完整的决策树后，自底向上进行考察，泛化

周志华《机器学习》第三章学习打卡

weixin_51732161的博客

08-22

309

机器学习的打卡

参与评论您还未登录，请先登录后发表或查看评论

机器学习打卡第三天

weixin_62658918的博客

05-20

误差 average error随着模型的复杂度增加呈现指数上升趋势，更复杂的模型并不会给测试集带来更好的效果。误差的来源主要由偏差bias和方差variance组成 f^与f*之间蓝色部分的误差就是偏差和方差导致的左下角的与右上角的可形成对比，说明bias主要影响平均值，即bias较大时，平均值与f^之间的差距也较大，而variance主要影响数据分布，即数据的方差，variance较大bias较小时时，数据较为分散但平均值与f^差距较小，同理两个值均较大时，数据不仅分散，并且平均值...

李宏毅机器学习第一次任务打卡

JiangLongShen的博客

05-13

350

什么是Machine learning： Machine Learning( 机器学习)是一种数据分析的技术，是教会计算机知性人和动物与生俱来的活动。同时，机器学习是实现人工智能的手段可以近似看作Looking for a function from data. 机器学习分为3个步骤： step1: define a set of function step2: goodness of func...

机器学习吃瓜教程打卡班第三章

oHuXing1的博客

09-19

159

机器学习西瓜书第三章笔记，通过第三章的学习，对线性回归，多元线性回归等原理有了基本认识，手推了里面的公式，加深的感悟。

阿里天池 机器学习打卡LightGBM

qq_45983495的博客

06-01

406

LightGBM

《机器学习基础》组队学习第三次打卡

liculture的博客

04-26

148

EM算法EM算法概述高斯混合分布TBD EM算法概述概率模型有时候既含有观测变量，又含有隐变量或潜在变量，如果概率模型的变量都是观测变量，那么给定数据，可以直接用极大似然估计法，或贝叶斯估计方法估计模型参数，但是当模型含有隐变量时，就不能简单的使用这些方法，EM算法就是含有隐变量的概率模型参数的极大似然估计法，或极大后验概率估计法高斯混合分布 EM算法的一个重要应用场景就是高斯混合模型的参数估...

学习打卡（第二次打卡）

weixin_73557167的博客

08-20

128

这是我自主学习第二次打卡了，相较于第一次，我没有了之前的迷惘与不知所措，多了对于机器学习的了解。当然，我知道我所掌握的还远远不够，但是我会不断的学习的，争取了解到机器学习的本质。

pytorch学习第一次打卡

qq_43872663的博客

02-13

344

pytorch学习第一次打卡目录文章目录pytorch学习第一次打卡目录@[toc]Task01线性回归softmax和分类模型多层感知机 Task01 线性回归线性回归假设输出与各个输入之间是线性关系，如 price=warea⋅area+wage⋅age+b price=w_{area} ⋅ area + w_{age} ⋅ age + b price=warea⋅area+wage...

Datawhale第四次打卡

09-22

"机器学习第五章笔记" 机器学习是人工智能的重要分支，它涉及到计算机科学、数学、统计学、神经生物学等多个领域。机器学习的主要目标是使计算机系统自动地从经验中学习，提高自己的性能。机器学习的应用领域非常...

动手学深度学习第二次打卡2/18

01-20

过拟合和欠拟合是机器学习中常见的问题，特别是对于深度学习模型。过拟合发生时，模型在训练数据上表现极好，但在未见过的数据（验证集或测试集）上表现较差，这是因为模型过度适应了训练数据中的噪声和特异点。而欠...

Datawhale第二次打卡

09-17

周志华机器学习第三章笔记

伯禹AI第二次学习打卡

01-06

这三天主要学习了神经网络中常见的梯度爆炸，梯度弥散等常见问题，经典卷积神经网络LeNet和机器翻译相关技术。初学深度学习从中无不领会到深度学习的知识面之广，深度学习问题的复杂性显而易见。下面是我使用LeNet...

Datawhale&kesci&伯禹教育-深度学习-第二次打卡2梯度消失和爆炸

01-20

深度学习是现代人工智能领域的重要组成部分，它通过模拟人脑神经网络的工作原理，处理复杂的数据问题。在构建深度学习模型时，经常会遇到两个关键问题：梯度消失（vanishing gradient）和梯度爆炸（exploding ...

【机器学习导引】ch3-线性模型

最新发布

09-26

1006

在数学中，对于函数 f(x1,…,xm)f(x_1, \ldots, x_m)f(x1,…,xm) 在点 a=(a1,…,am)a = (a_1, \ldots, a_m)a=(a1,…,am) 处的梯度被定义为：∇f(a)=(∂f∂x1(a),…,∂f∂xm(a)) \nabla f(a) = \left( \frac{\partial f}{\partial x_1}(a), \ldots, \frac{\partial f}{\partial x_m}(a) \right) ∇f(a)

机器学习中的KNN算法：原理、应用与实践

weixin_43822401的博客

09-25

573

KNN，即K最近邻算法，是一种基于实例的学习，或者说是懒惰学习。它的核心思想是根据一个样本的K个最近邻居的类别，通过投票的方式来预测该样本的类别。KNN算法简单易懂，易于实现，不需要假设数据分布，因此具有很好的适应性。

决策树算法在机器学习中的应用

hai40587的博客

09-25

865

决策树算法作为一种基本的分类与回归方法，在机器学习中具有广泛的应用。其直观性、易于理解和实现的特点使其成为数据挖掘和数据分析中的常用工具。然而，决策树算法也存在一些缺点，如容易过拟合、对噪声和缺失数据敏感等。因此，在实际应用中需要根据具体问题选择合适的算法和参数，以获得更好的性能。通过不断的研究和改进，决策树算法将在更多领域发挥重要作用，为机器学习和数据科学的发展贡献力量。

关于生成对抗网络（GAN）损失函数的理解

随风i的博客

09-25

123

生成对抗网络（Generative Adversarial Network，简称GAN）是一种由Ian Goodfellow等人在2014年提出的深度学习模型。GAN由两个相互对抗的神经网络组成：生成器（Generator）和判别器（Discriminator）。这两个网络通过博弈论的思想进行训练，生成器试图生成逼真的数据，而判别器负责辨别数据是真实的还是由生成器生成的。

机器学习基础：MIT第三版导论

"MIT出版的《Introduction to ...《Introduction to Machine Learning》第三版是一本全面而深入的机器学习教科书，适合初学者和有一定经验的研究者阅读，可以帮助读者系统地理解和应用机器学习的各种理论与实践。