Task02：详读西瓜书+南瓜书第3章（6天）

已于 2023-02-26 06:48:14 修改
阅读量135 收藏
点赞数
文章标签： 机器学习 回归 逻辑回归 Powered by 金山文档
于 2023-02-26 02:13:54 首次发布
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/leiuser/article/details/129222839
版权
Task02：详读西瓜书+南瓜书第3章（6天）
打卡截止时间：2月21日03:00
学习建议：先预习，再看直播回放
一元线性回归与多元线性回归（2天）
预习：西瓜书3.1、3.2
一元线性回归直播回放： https://www.bilibili.com/video/BV1Mh411e7VU?p=2
多元线性回归直播回放： https://www.bilibili.com/video/BV1Mh411e7VU?p=3
对数几率回归
预习：西瓜书3.3
直播回放： https://www.bilibili.com/video/BV1Mh411e7VU?p=4
线性判别分析
预习：西瓜书3.4
直播回放： https://www.bilibili.com/video/BV1Mh411e7VU?p=5

第三章 线性模型

机器学习三要素：

  1. 模型：具体问题 -> 假设空间

  1. 策略：评价标准 -> 选取最优模型的策略

  1. 算法：求解损失函数，确定最优模型

每一节都按照这个来总结是特别好的学习工具！

3.2 线性回归

  1. 模型：试图学得一个线性模型以尽可能准确地预测实值输出标记

  1. 策略：最小mse的E(w,b)

  1. 算法：E(w,b)分别对w,b求导为零时得到最优闭式解。

（书寄到啦！直接在书上记笔记！）

image1006×1322 556 KB

image1076×1238 464 KB

3.3 对数几率回归

image1064×1238 521 KB

image1052×1314 610 KB

image1056×1270 471 KB

3.4 线性判别分析

image1032×1286 513 KB

leiuser
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【扩散模型/图像匹配/图像拼接】论文精读：DiffMatch: Diffusion Model for Dense Matching
畅游计算机视觉的海洋
01-30 1万+
建立成对图像之间的密集对应关系的目标由两个术语组成：数据项和先验项。虽然传统的技术侧重于定义难以表述的手工设计的先验项，但最近的方法侧重于使用深度神经网络学习数据项，而无需显式建模先验，假设模型本身有能力从大规模数据集中学习最优先验。然而，性能改进很明显，它们通常无法解决匹配的固有歧义，例如无纹理区域、重复模式和大位移。为了解决这个问题，我们提出了 DiffMatch，这是一个新颖的基于条件扩散的框架，旨在显式建模数据和先验术语。与以前的方法不同，这是通过利用条件去噪扩散模型来实现的。DiffMatch由两
论文详读：Beyond Brightening Low-light Images (Kind++)
weixin_46422745的博客
08-30 4433
论文详读：Beyond Brightening Low-light Images (Kind++)
Task05：详读西瓜书+南瓜书第6章（4天）
leiuser的博客
03-02 123
Task05：详读西瓜书+南瓜书第6章（4天） 打卡截止时间：3月2日03:00 学习建议：先预习，再看直播回放 支持向量机（3天） 预习：西瓜书6.1、6.2 直播回放：https://www.bilibili.com/video/BV1Mh411e7VU?p=8 软间隔与支持向量回归（1天） 预习：6.4、6.5 直播回放：https://www.bilibili.com/video/BV1Mh411e7VU?p=9
Task04：详读西瓜书+南瓜书第5章（3天）
leiuser的博客
02-26 152
Task04：详读西瓜书+南瓜书第5章（3天） 打卡截止时间：2月27日03:00 学习建议：先预习，再看直播回放 预习：西瓜书5.1、5.2、5.3 直播回放：https://www.bilibili.com/video/BV1Mh411e7VU?p=7
Task01：概览西瓜书+南瓜书第1、2章（2天）
leiuser的博客
02-26 187
概览西瓜书+南瓜书第1、2章（2天）
Task1 吃瓜教程-西瓜书 第1-2章
zaishaoyi的专栏
06-15 174
如果有多个假设与观察一致，则选择最简单的那个考虑二分类： 从结果看出，总误差与学习算法无关。对于任意两个学习算法,他们的期望性能相同。这就是NFL（没有免费的午餐原理） ROC全称是“受试者工作特征”(Receiver Operating Characteristic)。机器学习中，根据学习器的预测结果对样例进行排序，按此顺序逐个把样本作为正例进行预测，每次计算出两个重要量的值，分别作为横、纵坐标作图，就得到了ROC曲线。纵轴(真正例率) 横轴(假正例率) AUC（Area Under ROC Curve
Task02：详读西瓜书+南瓜书第3章 线性模型
weixin_45592399的博客
11-21 992
一元线性回归 一元线性回归我们试图学得模型 均方误差 均方误差E斜体样式是回归任务最常用的的性能度量，我们需要做的就是试图让均方误差最小化 最小二乘法 那么基于均方误差最小化来进行模型求解的方法就是“最小二乘法”。 事实上，最小二乘法不仅限于线性回归，最小二乘法还可用于曲线拟合。 在这里我先只考虑线性回归 一元线性回归 因此，对于一元线性回归，我们的目的就很清楚了。 我们希望找到一个目标函数， 那么想要找到这个目标函数，我们就需要基于最小二乘法求解w和b 这里我们先不考虑怎么证明凸函数，先来求解 求解.
Task02：详读西瓜书+南瓜书
qq_64136250的博客
09-18 169
极大似然估计推导损失函数：线性回归也可以假设为y=wx+b+e，其中e为不受控制的随机误差，从生活经验直觉来判断e应该是服从均值为0的正态分布（可用中心极限定理解释）这样我恩可以通过对e建模转为对y建模，其中的小x为已知量，然后用极大似然估计的方式求出合理的参数。1）最小二乘法：收集数据（样本点）线性回归认为是直线因为数据是有误差的，若是曲线则过拟合，故找出所有点到这条直线竖直距离最短即y与y·差最小，即均方误差最小。观察发现w的模长不影响损失函数的值，不放使分母的值为1，这样就变为了可解的优化问题。
YOLVO 论文，YOLOv7来临：论文详读和解析.rar
04-23
YOLVO 论文，YOLOv7来临：论文详读和解析 YOLVO 论文，YOLOv7来临：论文详读和解析 YOLVO 论文，YOLOv7来临：论文详读和解析 YOLVO 论文，YOLOv7来临：论文详读和解析 YOLVO 论文，YOLOv7来临：论文详读和解析 ...
神经网络案例实践之单层感知器求解-学习篇
qq_38925911的博客
09-12 225
首先给了五个输入样本，输入样本和位置信息如下所示，现在要学习一个模型，在二维空间中把两个样本分开，输入数据是个矩阵，矩阵中有五个样本，样本的维度是三维，三个维度分别表示偏置，x坐标，y坐标。对应的标签Y是 区分矩阵中的样本，例如：[1,2,3]对应1，[1,4,5]对应1，[1,1,1]对应-1，以此类推。令误差函数为L，预测值为 y，阈值函数f 为符号函数。单层感知器作为线性分类器被广泛应用。怎么样使用单层感知器求解这个问题？x,y表示实际的二维坐标。
机器学习1--概述
qq_54641174的博客
09-12 169
机器学习概述
Oracle自治数据库上的机器学习笔记本现已支持GPU
engchina的专栏
09-12 359
Oracle自治数据库上的机器学习笔记本现已支持GPU
机器学习2--matplotlib绘图包
最新发布
qq_54641174的博客
09-12 177
matplotlib画图
【mechine learning-六-supervise learning之线性回归模型】
zishuijing_dd的博客
09-12 656
线性模型是人工智能监督学习中最广泛的应用，所以有必要先学习一下这个基础模型，做好基石。
机器学习中的数据详解：数据类型、划分、属性等
阿旭的博客
09-09 1558
机器学习中的数据详解：数据类型、划分、属性等
基于Python的机器学习系列（29）：前馈神经网络
不想宅的冷同学
09-07 276
选择合适的损失函数来计算预测值和真实值之间的差距。选择优化器来更新模型的权重。在本篇文章中，我们深入探讨了如何使用PyTorch构建一个前馈神经网络，并以线性回归为案例进行讲解。我们涵盖了从数据准备到模型训练的各个环节，包括指定输入和目标、使用数据集和数据加载器、定义线性层、选择损失函数和优化器。通过这些步骤，我们能够有效地利用PyTorch的强大功能来实现和训练神经网络。掌握这些基础知识将为我们进一步探索更复杂的深度学习模型奠定坚实的基础。
机器学习评估指标-学习篇
qq_38925911的博客
09-12 835
模型评估是机器学习和人工智能领域中的一个关键环节，它旨在对训练好的模型进行性能评估，以了解模型在未见过的新数据上的表现。模型评估的目的通过评估，确定模型在给定任务上的准确度、可靠性、泛化能力等指标。发现模型在特定类型数据或情境中的弱点，如过拟合、欠拟合或偏差。提供关于如何调整模型参数、优化数据处理方法的具体见解。评估结果是迭代开发过程中不可或缺的部分，帮助开发者在每个阶段优化模型。评估模型在现实世界复杂和不可预测数据上的表现，确保模型能够有效工作。样本集划分。
【机器学习】期望最大化算法的基本概念以及再高斯混合模型的应用
ya的博客
09-12 817
EM算法是机器学习和统计推断中一个非常重要的工具，它为处理复杂统计模型提供了一种有效的解决方案通过EM算法，高斯混合模型可以用于聚类、密度估计、降维等多种机器学习任务。它在统计和机器学习领域是一个非常有用的工具，特别是在处理具有潜在变量或混合分布的数据时总结来说，Baum-Welch算法是一个强大的工具，用于处理涉及隐藏变量的时间序列数据，但需要注意的是它可能只收敛到局部最优解，并且计算成本可能较高。
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