吃瓜教程打卡task1

最新推荐文章于 2024-10-20 20:56:06 发布
最新推荐文章于 2024-10-20 20:56:06 发布
阅读量187 收藏 3
点赞数 5
文章标签： 机器学习
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_72851153/article/details/142343769
版权

任务：

概览西瓜书+南瓜书第1、2章

参考视频：第1章-绪论_哔哩哔哩_bilibili

西瓜书对应章节：第一章

  • 机器学习三观：what、why、how
  • 假设空间和版本空间：通过一个例子讲解，同时引出基本术语
  • 基本术语
  • 归纳偏好
  • 数据决定模型的上限，而算法则是让模型无限逼近上限

没有免费的午餐

没有免费的午餐定理（NFL）：众算法生而平等

实际应用：哪个算法训出来的模型在测试集上表现好哪个算法就好

第2章 模型评估与选择

2.1 经验误差与过拟合

过拟合的产生原因是模型的学习能力相对于数据来说过于强大，欠拟合的产生原因则是模型的学习能力相对与数据来说过于低下

小杜不吃糖
关注
大模型理论基础打卡Task04
12-15
大模型理论基础打卡Task04 大模型理论基础打卡Task04是指在机器学习领域中，对大型语音模型的数据准备和研究的重要性。这包括了解大型语音模型的数据来源、数据组成、数据污染问题、评估方法和数据卫生等方面的...
大模型理论基础打卡Task01
12-13
"大模型理论基础打卡Task01" 本资源摘要信息主要讲解了大模型理论基础的相关知识点，涵盖了语音模型、信息理论、n-gram 模型、神经语音模型、上下文学习等方面的内容。 语音模型 语音模型是对令牌序列的概率分布...
吃瓜教程打卡task2
m0_72851153的博客
09-20 575
（MLE），通过寻找使得观测数据出现的概率最大的参数值来对未知参数进行估计。（高斯提出的，也可以用中心极限定理解释），所以。为不受控制的随机误差，通常假设其服从均值为。去掉前面的常数和负号，相当于最小化后半部分式子。对于线性回归来讲，也可以假设其为以下模型。，下面便可以用极大似然估计来估计。来进行模型求解的方法称为。以上公式的意思是求使得。
吃瓜教程打卡Task01
qq_57067122的博客
12-12 343
【Datawhale吃瓜教程】Task01 打卡笔记
m0_74851616的博客
09-18 664
第二章详细介绍了模型评估的几种基本方法，包括留出法、交叉验证法和自助法。这些方法不仅为我提供了评估模型性能的工具，还让我理解了不同方法之间的优缺点和适用场景。理解了过拟合与欠拟合的概念，本章还介绍了多种性能度量指标，如错误率、精度、查准率、查全率、F1分数等。这些指标为我提供了评估模型性能的多维度视角，使我能够更全面地了解模型的优缺点，并据此进行有针对性的优化。第一章首先为我们勾勒了机器学习的全貌，从基本概念、发展历程到当前的研究热点，让我对机器学习这一领域有了整体的认识。这种宏观视角的建立。
【Datawhale吃瓜教程】Task02 打卡笔记
m0_74851616的博客
09-21 348
重点理解了最小二乘法的精髓。最小二乘法通过最小化预测值与实际值之间的均方误差来求解模型参数，这种方法不仅在数学上易于处理，而且在实际应用中效果良好。我认识到，最小二乘法不仅是线性回归的求解方法，更是一种优化思想的体现。通过实践和应用线性回归模型，我深刻体会到理论知识与实际应用之间的紧密联系。在实际问题中，我们需要根据数据的特点选择合适的模型参数、处理异常值、进行特征工程等，这些都需要我们在实践中不断探索和总结。线性回归作为机器学习中最基础的算法之一，虽然有其局限性，但在许多实际问题中仍具有广泛的应用价值。
吃瓜教程 | Datawhale 打卡（Task 04）
qq_45909877的博客
07-26 419
M-P神经元模型 基于人类神经元的多突触传递——而研究出的人工神经元，允许多个输入，并根据连接权以及阈值的到预测的输出。 这种“阈值加权和”的神经元模型称为 M-P模型 ( McCulloch-Pitts Model )，也称为神经网络的一个 处理单元( PE, Processing Element )。 大家可以查一查一些生物方面的书籍，了解一下这个神经元是如何工作的。我们可以概括出生物神经网络的假定特点： 每个神经元都是一个 多输入单输出的信息处理单元； 神经元输入 分兴奋性输入和 抑制性输入两种类
吃瓜教程 | Datawhale 打卡（Task 03）
qq_45909877的博客
07-22 241
主要是记录下自己格外的思考，具体细节在之后补充 决策树 是一种基本的分类与回归方。 核心是选取划分条件（划分属性） 最终目的样本划分越“纯”越好。 决策树通常有三个步骤：特征选择、决策树的生成、决策树的修剪。 常见决策树算法： ID3决策树 C4.5决策树 CART决策树 剪枝处理 剪枝(pruning)是决策树学习算法对付"过拟合"的主要手段。，为了尽可能正确分类训练样本，有时会造成决策树分支过多，以致于把训练集自身的一些特点当作所有数据都具有的一般性质而导致过拟合。可通过主动去掉一些分支来降低过拟合的风
Datawhale7月“吃瓜教程”Task03打卡
qqqqqqqin的博客
07-23 271
ps:本文为记录参与Datawhale-7月吃瓜教程的学习笔记 pss:文章所有PPT截图来自于：Datawhale吃瓜教程（https://www.bilibili.com/video/BV1Mh411e7VU），记得一键三连~ 目录 Task03 详读西瓜书+南瓜书第4章 1 基本流程 2 划分选择 2.1 信息增益 2.2 增益率 2.3 基尼指数 3 剪枝处理 3.1 预剪枝 3.2 后剪枝 4 连续与缺失值 4.1 连续值处理 4.2 缺失值处理 5 多变量决策树
暑期吃瓜教程Task04学习笔记打卡
lxy13966988476的博客
07-25 131
五月份组队学习【吃瓜教程】Task03打卡笔记
weixin_57171836的博客
05-27 307
本次吃瓜教程是Datawhale组织的组队学习 。 学习资料由开源学习组织Datawhale提供。 笔记部分内容来源于网络检索，如有侵权联系可删 本次学习针对的对象： 有高数、线代、概率论与数理统计基础的同学 内容说明：周志华老师的“西瓜书”是机器学习经典入门教材，值得反复阅读，配合“南瓜书”从本科数学基础的视角进行讲解，一起打好基础！ 学习周期：18天 Task03任务：详读西瓜书+南瓜书第4章 视频教程链接： https://www.bilibili.com/video/BV1Mh411e7VU T.
大模型理论基础打卡Task05
12-15
大模型理论基础打卡Task05 本资源摘要信息将对大模型理论基础进行系统的总结和分析，涵盖了法律、道德、知识产权、公平使用、机器学习等方面的知识点。 法律与道德 大模型理论基础中，法律和道德是两个重要的概念...
西瓜书学习任务打卡task02.pdf
01-17
《统计学习方法》第六章-线性回归自用笔记
基于auto.js的自动打卡脚本编写教程.pptx
08-08
"基于auto.js的自动打卡脚本编写教程" 本教程旨在指导读者使用auto.js编写自动打卡脚本，实现自动化打卡的功能。auto.js是一个强大的Android自动化工具，可以模拟滑动、点击、长按等操作，以实现自动化任务的完成。...
讲解机器学习中的 K-均值聚类算法及其优缺点。（AI）
最新发布
gcliyilin的博客
10-20 235
K-均值聚类算法是一种常见的无监督学习算法，用于将数据集中的样本划分为 K 个不同的簇。这个算法的基本思想是将样本根据其相似性进行分组，使得每个簇内的样本相似度尽可能高，而不同簇之间的相似度尽可能低。针对算法的缺点，可以采取一些改进措施，例如使用更加鲁棒的距离度量方法、选择合适的初始聚类中心、采用层次聚类等。2. 针对每个样本，计算其与每个聚类中心之间的距离，将样本分配给距离最近的聚类中心对应的簇。2. 对初始聚类中心的选择敏感：不同的初始聚类中心可能导致不同的聚类结果。5. 最终得到 K 个簇。
机器学习驱动的工厂自动化
weixin_42605076的博客
10-14 798
机器学习驱动的工厂自动化是一种利用先进的机器学习技术来提升生产效率、降低成本和提高产品质量的智能制造方法。这种自动化系统可以在制造流程中实时收集和分析大量数据，预测故障，优化生产，甚至在无人干预的情况下进行自适应操作。
K-Means聚类算法
qq_55882840的博客
10-14 840
函数首先随机选择初始聚类中心，然后通过不断迭代分配样本和更新聚类中心的过程，直到聚类中心不再发生变化或达到最大迭代次数为止。对于给定的数据集和需要划分的类数k，算法根据距离函数进行迭代处理，动态地把数据划分成k个簇（即类别），直到收敛为止。按照簇的定义和聚类的方式，聚类大致分为以下几种：K-Means为代表的簇中心聚类、基于连通性的层次聚类、以EM算法为代表的概率分布聚类、以DBSCAN为代表的基于网格密度的聚类，以及高斯混合聚类等。聚类是一个反复迭代的过程，理想的终止条件是簇的分配和个簇中心不再改变。
机器学习和深度学习之间区别和联系
huanfeng_AI的博客
10-17 996
机器学习机器学习是人工智能的一个分支，它使计算机能够从数据中进行自我学习并改进算法，而无需显式编程。它利用算法让计算机能够在无明确编程的情况下进行学习和决策，是一种数据分析技术。机器学习起源于20世纪50年代，随着计算机技术的发展和数据量的增加，逐渐形成了多种算法和模型，如决策树、支持向量机、k-均值聚类、逻辑回归等。深度学习深度学习是机器学习的一个子领域，它使用神经网络模型，尤其是深层神经网络模型，来处理、解释和分类数据。深度学习模型通常包含多个隐层，可以学习更加复杂的特征表示。
大数据新视界 --大数据大厂之 Kubeflow 在大数据与机器学习融合中的应用探索
青云交的博客
10-14 785
本文深入且全面地阐述了 Kubeflow 的定义、诞生背景、核心组件功能及其在大数据处理和机器学习模型训练中的应用。详细分析了其在资源利用和开发流程方面的优势，通过电商和金融领域的实际案例及数据展示效果，并提供了丰富的代码示例辅助理解。探讨了与量子计算、边缘计算等新兴技术的融合趋势以及在医疗、制造等多行业的拓展应用前景，设置互动交流区增强与读者的沟通。为大数据和机器学习领域的从业者、研究者等提供了极具价值的参考资料。
Auto.js 自动打卡脚本编写教程：从入门到精通
"基于auto.js的自动打卡脚本编写教程" 本教程主要讲解如何使用auto.js编写自动打卡脚本，适用于Android设备。auto.js是一款强大的自动化工具，它允许用户通过JavaScript语言来编写脚本，实现对手机的自动操作，如...
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