Datawhale X 李宏毅苹果书 AI夏令营 task1笔记

最新推荐文章于 2024-10-06 21:45:11 发布
最新推荐文章于 2024-10-06 21:45:11 发布
阅读量256 收藏
点赞数 3
文章标签： 人工智能 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Z_puapua/article/details/141615079
版权

机器学习

定义:机器学习，顾名思义，机器具备有学习的能力。具体来讲，机器学习就是让机器具备找一个函数(模型)的能力。

类型

  • 回归
  • 分类
  • 结构化学习 

函数确定步骤

  1. 写出一个带有未知参数的函数 f
  2. 定义损失L
  3. 找到最好的一组权重和偏置（梯度下降）

模型评价

在训练的数据和预测的数据中分别计算平均损失

Z_puapua
关注
Datawhale X 李宏毅苹果书 AI夏令营 进阶班 选修笔记
09-03
运行结果
Datawhale X 李宏毅苹果书 AI夏令营：TASK2+CNN实践, pytorch，数据增强，可视化
08-26
Datawhale X 李宏毅苹果书 AI夏令营：TASK2+CNN实践, pytorch，数据增强，可视化
Datawhale X 李宏毅苹果书 AI夏令营task1笔记
scipig_的博客
08-22 1869
本章主要介绍深度学习常见的一些概念，方便我们从不同的角度来更好地优化神经网络。
Datawhale X 李宏毅苹果书 AI夏令营 Task1笔记
gzkeylucky的博客
08-27 611
Datawhale X 李宏毅苹果书 AI夏令营 Task1笔记
Datawhale X 李宏毅苹果书 AI夏令营 TASK1笔记
2301_77648160的博客
08-27 246
4. 结构化学习 (Structured Learning): 结构化学习处理那些有复杂结构的数据，比如一句话中的每个词之间的关系，或者一个社交网络中的用户之间的连接。13. 局部最小值 (Local Minima): 在优化过程中，损失函数可能会找到一个局部最小值，即在某个区域内的最小值，但这不是整个参数空间中的最小值。在机器学习中，选择合适的模型、定义有效的损失函数以及采用高效的优化方法来确定最佳参数，是实现高精度预测的关键。例如，在预测流量时，昨天的访问量就是一个特征，因为它能影响今天的访问量预测。
Datawhale x李宏毅苹果书入门 AI夏令营 task02学习笔记
weixin_75033552的博客
08-26 545
红色的曲线可以看作是一个常数再加上一群 Hard Sigmoid 函数。（Hard Sigmoid 函数的图线就是蓝色图线）黑色的可以由红色线无限逼近，当取的点够多，黑色的就可以用红色的表示，而红色的又可以由蓝色组成，则黑色的可以用蓝色的表示，即曲线可以由Hard Sigmoid 函数图像表示但是Hard Sigmoid 函数表示比较麻烦（Hard Sigmoid 函数是分段函数要写三个分式），所以用 Sigmoid 函数来逼近 Hard Sigmoid，（Hard Sigmoid 不一定非要换成Sigmo
Datawhale X 李宏毅苹果书 AI夏令营 Task-2
endact_00的博客
08-26 634
上图说明不同的 Loss 函数会影响训练的难易度;左图会一开始就stuck因为梯度很平坦, 右图有很明显的梯度,训练起来更稳定快速.A: 1, 2, 3 数字潜在也表达了他们之间的关系, 1和2 比较接近, 1和3 相差大, 这不能表达类别之间独立的关系;在梯度很小变化的方向上, 平方根越来越小, 导致更新突然爆炸, 跑到梯度变化大的地方, 然后又慢慢恢复到正轨上;Q: 当把模型输出的标量scaler(1, 2, 3) 当作类别处理可以吗?考虑到随着训练时间变长, 梯度总会慢慢变小, 因此可以。
Datawhale x 李宏毅苹果书 AI夏令营 Task1 笔记
2401_82732310的博客
08-27 208
笔记
Datawhale X 李宏毅苹果书 AI夏令营 学习笔记(一)
qq_51955445的博客
08-23 967
Datawhale X 李宏毅苹果书 AI夏令营 task1学习笔记，主要学习了深度学习中的鞍点、批量和动量的知识点
Datawhale X 李宏毅苹果书 AI夏令营 Task1笔记:了解机器学习
xaqhzxy的博客
08-23 246
首先简单介绍一下机器学习（Machine Learning，ML）的基本概念。机器学习，顾名思义，机器具备有学习的能力。具体来讲，：指的是找一个，能够描述一个场景数学规律的函数模型，具体方法大致是：让机器运行算法，通过输入的数据，确定合适的函数参数，逼近实际场景。：可以把函数当作一个功能的接口，靠机器学习找到这个功能的接口，然后调用这个接口去完成想要做的事。
“Datawhale X 李宏毅苹果书 AI夏令营”深度学习入门笔记Task1
m0_74851616的博客
08-25 734
例如，可将函数写为y = b + wx，y是经过预测得到的数值，x为该视频，b,w即为要求的参数，是未知的，可以通过过去的视频播放量来确定。我们将带有未知参数的函数称为模型2.定义损失函数对于给定的数据集，损失函数计算模型在整个数据集上的平均损失（或成本）。这个平均损失代表了模型性能的“好坏”，损失越小，通常意味着模型的性能越好。苹果书中写到采用均方误差（Mean SquaredError，MSE）e = (ˆy y − y)2；
Datawhale X 李宏毅苹果书 AI夏令营 入门班选修3
09-03
结果prediction
Datawhale X 李宏毅苹果书 AI夏令营：《深度学习详解》
08-24
Datawhale X 李宏毅苹果书 AI夏令营：《深度学习详解》
扩散模型（2）--1
m0_63860007的博客
09-29 1003
生成模型通过学习并建模输入数据的分布，从而采集生成新的样木，该模型广泛运用于图片视频生成、文本生成和药物分子生成。扩散模型是一类概率生成模型，扩散模型通过向数据中逐步。
基于Keras的U-Net模型在图像分割与计数中的应用
深度学习实战训练营，一起交流探索深度学习
10-04 1266
网络结构优化：项目基于经典的U-Net模型进行改进，采用了更深的网络层次结构，使模型能够在多尺度上捕捉到图像中的细节信息。特别是针对医学图像分割，项目通过增加卷积层数和引入Dropout层来增强模型的特征提取能力，并有效防止过拟合，从而提高模型在训练数据较少情况下的表现。项目中采用了he_normal初始化器和relu激活函数组合，使得网络在训练时能够更快地收敛，降低梯度消失的风险。自定义数据增强策略：在中实现了一个自定义的图像增强类。
深度学习-----------------机器翻译与数据集
Einstein·Jun
10-03 436
绘制每个文本序列所包含的标记数量的直方图。
大模型~合集5
whaosoft~aiotの开发板商城
10-02 1460
FLock 的机制设计受到了证明权益（PoS）区块链共识机制和桌面游戏《The Resistance》（一种角色扮演类游戏，该游戏的一个变种叫阿瓦隆）的启发。《The Resistance》游戏则通过投票机制，每轮游戏中玩家独立推理并投票，从而实现全局共识。《The Resistance》有两个不匹配的竞争方，其中较大的一方被称为抵抗力量，另一方被称为间谍。在《The Resistance》中，有一个投票机制，在每一轮中，每个玩家进行独立推理并为一个玩家投票，得票最多的玩家将被视为「间谍」并被踢出游戏。
北大对齐团队深度硬核解读：OpenAI o1开启「后训练」时代强化学习新范式
最新发布
ys707663989的博客
10-06 764
本文深入探讨了OpenAI o1的技术细节、的实现、合成数据与推理搜索的优化，以及AI安全的新启示，展示了大语言模型在推理能力提升和安全对齐方面的最新进展与未来方向。
李宏毅机器学习课程笔记：从深度学习到卷积神经网络
"李宏毅的机器学习课程笔记涵盖了从基础的回归分析、梯度上升算法，到分类问题、反向传播、卷积神经网络（CNN）、半监督学习、无监督学习以及线性模型等多个核心主题。这些内容构成了深度学习和机器学习的基础理论与...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值