【深度学习的灵魂】线性回归（附深度学习、机器学习发展史）

已于 2025-04-12 09:32:13 修改
阅读量1.9k 收藏 75
点赞数 77
分类专栏： 《深度学习理论直觉三十讲》 文章标签： 深度学习 机器学习 人工智能
于 2025-02-04 10:08:25 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/m0_67656158/article/details/145327919
版权
了解本专栏 订阅专栏 解锁全文 超级会员免费看
机器学习入门基础（万字总结）（建议收藏！！！）
subsistent的博客
12-04 12万+
机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本文章涵盖了机器学习的基础知识，主要包括机器学习的概述、 回归、分类、聚类、神经网络、文本分析、图像分析、深度学习等经典的机器学习基础知识，还包括深度学习入门等拔高内容。介绍机器学习的基础概念和知识，包括机器学习简史、主要流派、与人工智能、数据挖掘的关系、应用领域、算法、一般流程等。伴随着计算机计算能力的不断提升以及大数据时代的迅发展人工智能也取得了前所未有的进步。
第一章 深度学习发展历程
组学之心，专注多组学/ 医学AI 领域
05-16 2743
最早在1956年的美国达特茅斯会议（ Dartmouth Conference）上提出，当时会议的主题是“用机器来模仿人类学习以及其它方面的智能因此，1956年被认为是人工智能的元年。一般认为，人工智能是研究、开发用于模拟、延伸和扩展人的智能 的理论、方法、技术及应用系统的一门新兴学科。“人工智能，是利用数字计算机或者数字计算机控制的机器模拟、延伸 和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理 论、方法、技术及应用系统。”---- 全国信息安全标准化技术委员会。
万字长文：详解现代AI和深度学习发展史
数据派THU
02-28 834
来源：新智元本文约9000字，建议阅读10+分钟本文带你了解人工智能理论起源和深度学习的演变史。「人工智能」一词，首次在1956年达特茅斯会议上，由约翰麦卡锡等人正式提出。实用AI地提出，最早可以追溯到1914年。当时Leonardo Torres y Quevedo构建了第一个工作的国际象棋机器终端游戏玩家。当时，国际象棋被认为是一种仅限于智能生物领域的活动。至于人工智能理论，则可以追溯到193...
最新基于MATLAB机器学习、深度学习实践技术应用
weixin_48230888的博客
08-20 351
系统学习机器学习和深度学习的理论知识及对应的代码实现方法，掌握图像处理的基础知识，以及经典机器学习算法和最新的深度神经网络、迁移学习、对抗生成网络等算法的基本原理及其MATLAB编程实现方法。1、统计数据的描述与可视化（数据的描述性统计：均值、中位数、众数、方差、标准差、极差、四分位数间距等；2、自编码器的变种（栈式自编码器、稀疏自编码器、去噪自编码器、卷积自编码器、掩码自编码器等）及其工作原理。6、预训练模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet等）的下载与安装。
人工智能、机器学习和深度学习有哪些区别？
人邮异步社区
05-16 1542
1　人工智能 现今每天都有很多人工智能的文章发表，并且在最近两年愈演愈烈。网络上关于人工智能的定义有几种说法，我最喜欢的一个是，通常由人完成的智能任务的自动化。 1.1　人工智能发展史 1956年，约翰·麦肯锡（John McCarthy）主持召开了第一次人工智能的学术会议，并创造了人工智能这个术语。然而早在此之前，关于机器是否会思考的讨论就已经开始。人工智能发展初期，机器已经可以解决对于人类比较困难的问题。 例如，德国制造了在第二次世界大战后期用于军事通信的恩尼格玛密码机（Enigma machi
基于MATLAB机器学习、深度学习实践技术应用
aishangyanxiu的博客
07-31 350
系统学习机器学习和深度学习的理论知识及对应的代码实现方法，掌握图像处理的基础知识，以及经典机器学习算法和最新的深度神经网络、迁移学习、对抗生成网络等算法的基本原理及其MATLAB编程实现方法。1、统计数据的描述与可视化（数据的描述性统计：均值、中位数、众数、方差、标准差、极差、四分位数间距等；2、自编码器的变种（栈式自编码器、稀疏自编码器、去噪自编码器、卷积自编码器、掩码自编码器等）及其工作原理。6、预训练模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet等）的下载与安装。
全网最新！| 深度学习发展史（1943-2024编年体）（The History of Deep Learning）
热门推荐
机器学习，生物信息学学习笔记。linux和python技巧分享。
05-20 1万+
深度学习是人工智能领域的一个重要分支，它在图像识别、语音识别、自然语言处理等方面取得了显著的进展。学习任一门知识都应该先从其历史开始，把握了历史，也就抓住了现在与未来 。那么深度学习到底是经历了一段怎样的发展过程呢？下面我们就来了解一下深度学习发展史。
【机器学习与深度学习一些问题解答】
weixin_50961821的博客
03-05 560
什么是机器学习（ML）？与传统编程的核心区别是什么？机器学习是一种通过数据训练模型以进行预测或决策的技术。与传统编程不同，机器学习不需要显式编写规则，而是通过数据自动学习模式。传统编程依赖于开发者明确地定义规则和逻辑，而机器学习则通过算法从数据中提取模式和规律。机器学习的核心在于其自适应性和预测能力，能够在数据变化时自动调整模型。它广泛应用于分类、回归、聚类等任务，适用于需要处理大量数据和复杂模式的场景。机器学习的成功依赖于数据的质量和数量，以及算法的选择和优化。深度学习（DL）是机器学习的子集吗？
深度学习面试题——深度学习的技术发展史
weixin_46838716的博客
05-08 1388
1）这个发展史是非常非常复杂的，重要的是论文的顶会发展史，各种网络层出不穷，各种改进陆陆续续，卷！！ 2）没事看看《百面机器学习和百面深度学习》 3）笔试求AC，可以不考虑空间复杂度，但是面试既要考虑时间复杂度最优，也要考虑空间复杂度最优。
深度学习吴恩达课程笔记(一)-深度学习概论、神经网络基础
10-25
在人工智能领域，深度学习的出现被认为是继感知机以来，人工智能发展史上的又一个里程碑。它的特点是通过多层次的非线性处理，自动地从原始数据中提取特征，减少人为特征工程的需求。这一点在图像识别、语音识别、...
机器学习的发展史及应用前景.pdf
09-24
机器学习的发展历程可以追溯到20世纪40年代，当时Donald Hebb提出的赫布理论为理解神经网络学习机制奠定了基础。1952年，Arthur Samuel开发的西洋跳棋程序展示了机器通过观察和学习改进策略的能力，这是早期机器学习...
深度学习入门：深度学习（完结）
最新发布
2301_79704601的博客
05-15 903
正如大家能想到的，这样的方法需要按照像素数量进行相应次forward处理，因而需要耗费大量的时间（正确地说，卷积运算中会发生重复计算很多区域的无意义的计算）。R-CNN中会将图像变形为正方形，或者在分类时使用SVM（支持向量机），实际的处理流会稍微复杂一些，不过从宏观上看，也是由刚才的两个处理（候选区域的提取和CNN特征的计算）构成的。这个递归指的是神经网络的递归的网络结构。在R-CNN的前半部分的处理——候选区域的提取（发现形似目标物体的处理）中，可以使用计算机视觉领域积累的各种各样的方法。
Pycharm（十九）深度学习
higerwy的博客
05-06 1523
深度学习是机器学习中的一种特殊方法，它使用称为神经网络的复杂结构，特别是“深层”的神经网络，来学习和做出预测。深度学习特别适合处理大规模和高维度的数据，如图像、声音和文本。深度学习、机器学习和人工智能之间的关系如下图所示：深度学习⊆机器学习⊆人工智能优点：1）精度高，性能优于其他的机器学习算法，甚至在某些领域超过了人类；2）随之计算机硬件的发展，可以近似任意的非线性函数；3）近年来在学界和业界受到了热捧，有大量的框架和库可供调。缺点：1）黑箱。
基于EMD-PCA-LSTM的光伏功率预测模型研究
专注AI大模型,软件混淆,授权
05-14 114
本文提出了一种结合经验模态分解(EMD)、主成分分析(PCA)和长短期记忆网络(LSTM)的混合模型，用于提高光伏功率预测的准确性。该模型首先利用EMD将非平稳的光伏功率序列分解为多个本征模态函数(IMF)，然后通过PCA对多维气象特征进行降维处理，最后将处理后的特征输入LSTM网络进行预测。实验结果表明，与单一LSTM模型和传统预测方法相比，EMD-PCA-LSTM模型在预测精度和稳定性方面均有显著提升。该模型有效处理了光伏功率序列的非平稳性和非线性，同时通过特征降维提高了模型效率，为光伏功率预测提供了一
使用深度学习预训练模型检测物体
xinyu的记录博客
05-14 870
使用 GeoAI 工具和预训练模型自动检测棕榈树。
人工智能-深度学习之循环神经网络
m0_51678367的博客
05-14 752
LSTM文本生成实战summary1、通过搭建LSTM模型，实现了基于文本序列的字符生成功能；2、学习了文本加载、字典生成方法；3、掌握了文本的数据预处理方法，并熟悉了转化数据的结构；4、实现了对新文本数据的字符预测。
PyTorch实战（4）——卷积神经网络(Convolutional Neural Network, CNN)详解
盼小辉丶的博客
05-12 1308
卷积神经网络 (Convolutional Neural Network, CNN) 是一种广泛应用的深度学习模型。通过参数共享、局部感知和空间结构等优势，能够更好地处理图像数据，并在图像识别、目标检测和图像生成等任务中展现出强大的能力。在本节中，介绍了卷积的计算方法以及卷积神经网络的基本组件，并使用 PyTorch 构建了卷积神经网络以深入了解其工作原理。
基于深度学习进行运输系统优化
weixin_69327572的博客
05-15 622
from torch.utils.data import Dataset, DataLoader # 数据加载。self.num_samples = num_samples # 样本数量。self.num_tasks = num_tasks # 任务数量。self.num_vehicles = num_vehicles # 车辆数量。# y[i][j][k]: 车辆j是否从任务i行驶到任务k（二进制变量）return self.num_samples # 返回数据集大小。
深度学习入门：卷积神经网络
2301_79704601的博客
05-14 1015
而在实际的卷积运算中，滤波器的应用区域几乎都是重叠的。实际上，前面提到的使用了MNIST数据集的例子中，输入图像就是1通道、高28像素、长28像素的（1, 28, 28）形状，但却被排成1列，以784个数据的形式输入到最开始的Affine层。当时，第1层的卷积层的权重的形状是(30, 1, 5, 5)，即30个大小为5 × 5、通道为1的滤波器。比如，空间上邻近的像素为相似的值、RBG的各个通道之间分别有密切的关联性、相距较远的像素之间没有什么关联等，3维形状中可能隐藏有值得提取的本质模式。
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

打赏作者

十二月的猫

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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