![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
人工智能
文章平均质量分 92
以人工智能相关的知识总结、学习笔记、实践经验总结
热情的Dongming
这个作者很懒,什么都没留下…
展开
-
【课程总结】Day8(上):深度学习基本流程
在上一篇课程《【课程总结】Day7:深度学习概述》模型训练过程→本质上是固定w和b参数的过程;让模型更好→本质上就是让模型的损失值loss变小;让loss变小→本质上就是求loss函数的最小值;本篇文章,我们将继续深入了解深度学习的项目流程,包括:批量化打包数据、模型定义、损失函数、优化器以及训练模型等内容。在深度学习中构建模型是指设计神经网络结构,确定网络的层数、每层的神经元数量、激活函数等参数,以实现特定的学习任务。原创 2024-06-13 11:09:40 · 946 阅读 · 0 评论 -
【课程总结】Day13(上):使用YOLO进行目标检测
在上一章《【课程总结】Day11(下):YOLO的入门使用》的学习中,我们通过YOLO实现了对图片的分类任务。本章的学习内容,将以目标检测为切入口,了解目标检测流程,包括:数据标准、模型训练以及模型预测。LabelImg是一个用于图像标注的开源工具,它可以帮助用户快速而准确地为图像创建标注框,并生成相应的标注文件。原创 2024-06-30 23:03:15 · 986 阅读 · 0 评论 -
【课程总结】Day9:机器学习主要知识点梳理
原创 2024-06-13 21:06:51 · 89 阅读 · 0 评论 -
【课程总结】Day11(中):手势图像识别实战(Vgg16和ResNet)
在上一章《【课程总结】Day11(上):手势图像识别实战(LeNet模型)》课程中,我们通过使用LeNet模型实现了手势识别。在本章内容中,我们将搭建Vgg模型和ResNet模型,并应用到手势识别中。VGG是一种深度卷积神经网络模型,由牛津大学的研究团队提出。它在2014年的ImageNet图像分类比赛中获得了第二名的好成绩,被广泛应用于计算机视觉领域。论文地址:https://arxiv.org/abs/1409.1556。原创 2024-06-26 22:09:14 · 598 阅读 · 0 评论 -
【课程总结】Day10:卷积网络的基本组件
由于接下来的课程内容将围绕计算机视觉展开,其中接触最多的内容是卷积、卷积神经网络等…因此,本篇内容将从卷积入手,梳理理解:卷积的意义、卷积在图像处理中的作用以及卷积神经网络的概念,最后利用pytorch搭建一个神经网络。Batch Normalization是一种用于神经网络的技术,通过在神经网络的每一层对输入进行归一化处理,即将每个特征维度的数据归一化为均值为0、方差为1的分布,以减少内部协变量转移(Internal Covariate Shift)。作用。原创 2024-06-23 09:28:47 · 920 阅读 · 0 评论 -
【课程总结】Day12:YOLO的深入了解
在【课程总结】Day11(下):YOLO的入门使用一节中,我们已经了解YOLO的使用方法,使用过程非常简单,训练时只需要三行代码:引入YOLO,构建模型,训练模型;预测时也同样简单,只需要两行代码:引入YOLO,预测图像即可。以上过程简单主要是ultralytics的代码库已经做了封装,使得使用者集中精力在模型训练和预测上。为了更加深入了解YOLO的实现原理,本章内容将对YOLO的工程结构、模型构建过程、模型训练过程尝试深入探究。原创 2024-06-27 11:23:05 · 842 阅读 · 0 评论 -
【课程总结】Day8(下):计算机视觉基础入门
在人工智能领域,机器可以处理的数据类型如上图,大约可以分为以上类别。# 相当于如下3×3的矩阵# 卷积核的中间行为零,第一行为负数,第二行为正数。这样可以突出图像中垂直方向像素有突变的情况。运行结果如下:如果像素相同,经过上面卷积核的运算就会上下像素抵消为0,变成黑色;如果像素不同,经过上面卷积核的运算就会把差异放大抽取出来,从而凸显出像素的突变。原创 2024-06-13 21:04:08 · 944 阅读 · 0 评论 -
【课程总结】Day11(下):YOLO的入门使用
YOLO(You Only Look Once)是一种流行的目标检测算法,由Joseph Redmon等人于2015年提出。YOLO的设计思想是将目标检测任务转化为单个神经网络的回归问题,通过在图像上划分网格并对每个网格预测边界框和类别置信度来实现目标检测。原创 2024-06-26 22:10:30 · 1045 阅读 · 0 评论 -
【课程总结】Day11(上):手势图像识别实战(LeNet模型)
上一章内容我们初步了解了卷积、卷积神经网络、卷积神经网络的搭建过程以及经典的LeNet网络结构,本篇内容将基于LeNet网络结构,实现手势识别。在开展手势识别之前,我们需要先下载并初步了解数据集的情况。原创 2024-06-26 22:08:14 · 618 阅读 · 0 评论 -
【课程总结】Day5(上):科学计算神器Numpy、Pytorch和数据预处理
均值是一组数据中所有数据值的总和除以数据值的个数。原创 2024-06-03 15:56:30 · 900 阅读 · 1 评论 -
【课程总结】Day7:深度学习概述
本篇文章,我们将通过示例来逐步学习理解导数、求函数最小值、深度学习的本质、以及使用numpy和pytorch实操深度学习训练过程。原创 2024-06-11 18:51:22 · 1160 阅读 · 0 评论 -
【课程总结】Day6(下):机器学习项目实战–成人收入预测
因为标签列的内容只有两种情况:‘<=50K’ 和’>50K’,所以只需要将这一列中’<=50K’替换为0,'>50K’替换为1即可。基于个人收入数据(包括教育程度、年龄、性别等)的数据集,通过机器学习算法,预测一个人的年收入是否超过5万美金。由于其存在潜在的数字大小对比,让算法认为特征之间存在大小关系,所以并不适用于上述的婚姻状况、职业类型、国家等。1、实现一个函数,传入三个参数:分别是离散量列的序号、连续量列序号和丢弃列序号。最后,在去除丢弃列之后,将连续量列和离散量列按照列方向堆叠为一个新的矩阵。原创 2024-06-11 21:34:01 · 1100 阅读 · 0 评论 -
【课程总结】Day6(上):机器学习项目实战--外卖点评情感分析预测
在这个例子中,字汇表为[“方”, “便”, “,”, “快”, “捷”, “味”, “道”, “可”, “口”, “快”, “递”, “给”, “力”]。在这种方法中,每个汉字被表示为一个固定长度的向量,向量的大小等于字典的大小,每个条目对应于预定义单词字典中的一个单词,其中只有一个位置是1,其余为0。在词袋模型中,文本中的每个汉字被看作是独立的,没有关联性,然后根据字典统计单词出现的频数。如果数据是汉字,机器是无法处理的,其底层都是处理数字,我们需要将汉字向量化为数字。原创 2024-06-06 01:17:38 · 784 阅读 · 2 评论 -
【课程总结】Day1:人工智能的核心概念
其内容即为一个表格,前面是特征,label为标签。这个过程一般来说是,其本质是完成从输入到输出的映射。备注:在魔塔社区找了一份。原创 2024-05-25 10:26:38 · 317 阅读 · 0 评论 -
【课程总结】Day3:概率和贝叶斯算法
本章内容主要是学习了概率相关的知识,包括:概率、离散型概率计算方法、连续性概率计算方法、条件概率等数理统计知识,同时结合高斯贝叶斯算法,对鸢尾花进行模型预测。原创 2024-05-29 17:26:08 · 866 阅读 · 0 评论 -
【课程总结】Day5(下):PCA降维、SVD分解、聚类算法和集成学习
人们早就知晓,相比凉爽的天气,蟋蟀在较为炎热的天气里鸣叫更为频繁。数十年来,专业和业余昆虫学者已将每分钟的鸣叫声和温度方面的数据编入目录,通过将数据绘制为图表如下:此曲线图表明温度随着鸣叫声次数的增加而上升。我们可以绘制一条直线来近似地表示这种关系,如下所示:事实上,虽然该直线并未精确无误地经过每个点,但针对我们拥有的数据,清楚地显示了鸣叫声与温度之间的关系(即y = mx + b)。如果我们输入一个新的每分钟的鸣叫声值 x1推断(预测)温度 y′,只需将 x1 值代入此模型即可。原创 2024-06-03 15:58:39 · 1497 阅读 · 0 评论 -
【课程总结】Day4:信息论和决策树算法
本章内容围绕决策树的应用,我们展开了解到:熵的定义、熵的计算、决策树的构建过程(基于快速降熵)、基尼系数等,从而使得我们对决策树有了直观认识。原创 2024-05-31 20:33:40 · 642 阅读 · 0 评论 -
【课程总结】Day2:KNN算法
上节课主要学习了机器学习的基本项目流程,具体请见【课程总结】Day1:人工智能的核心概念。KNN算法。为了对算法有个直观理解,今天的课程整体的过程概括为:1、实例代入:先从一个经典的例子鸢尾花分类分析问题→采集数据→遴选算法→代码实现→部署集成2、代码实现:结合上述问题,通过sklearn构建模型→训练模型→使用模型预测3、相关知识学习利用sklearn.model_selection库中的train_test_split进行数据切分利用joblib进行模型的序列化和反序列化操作。原创 2024-05-25 10:31:42 · 534 阅读 · 0 评论