Datawhale X 李宏毅苹果书 AI夏令营：机器学习基础笔记（二）

最新推荐文章于 2024-09-01 21:08:00 发布
最新推荐文章于 2024-09-01 21:08:00 发布
阅读量115 收藏
点赞数 2
文章标签： 人工智能 机器学习 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/m0_73019347/article/details/141761145
版权

简言：由线性函数到分段线性函数的不断逼近，减少模型偏差

关键新概念：

分段线性曲线（ piecewise linear curve ）

分析：

线性函数不足：过于简单，变化固定，因此预测不准且死板

分段线性函数：通过Hard Sigmoid 函数和常数的结合来拟合曲线

例如：4个蓝线结合在一起，来逼近成红色线

难点：过多的蓝色Sigmoid函数 ，需要设定的函数也就越多，使得不能用穷举找到最优解，而是随机列举来不断更新函数不断逼近最优解

L-Dassin
关注
  • 2
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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》
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：机器学习基础笔记
m0_73019347的博客
08-27 192
机器学习的核心任务是通过数据训练来发现和优化一个映射输入到输出的函数
“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
08-25 663
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 Task3笔记：机器学习实践方法论
xaqhzxy的博客
08-26 595
模型偏差可能会影响模型训练，因为模型太简单，所以损失低的函数不在模型可以描述的范围内。这个时候要解决这个问题就要提高模型的灵活性，如果模型的灵活性不够大，可以增加更多特征，可以设一个更大的模型，可以用深度学习来增加模型的灵活性，。但是并不是训练的时候，损失大就代表一定是模型偏差，可能会遇到另外一个问题：优化做得不好。
【Datawhale X 李宏毅苹果书 AI夏令营】深度学习入门&个人学习笔记
Blizzarder_的博客
08-27 256
机器学习的核心目标是让机器具备学习并找到描述数据之间关系的函数的能力。
Datawhale x李宏毅苹果书入门 AI夏令营 task02学习笔记
weixin_75033552的博客
08-26 485
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 机器学习笔记
yiny37的博客
08-27 89
回归分类结构化学习机器学习的三个步骤梯度下降学习率超参数。
机器学习基础笔记--Datawhale X 李宏毅苹果书 AI夏令营
leeee9的博客
08-25 103
1、写出一个带有未知参数的函数 f（带有未知参数的函数称为模型，比如y = b + wx1，特征x1已知，w和b为未知参数）不同任务对应不同的函数类型。3、解一个最优化问题（把未知的参数找一组数值出来使损失的值最小；2、定义损失（估测的值和实际值之间的差距，有不同的计算方法，比如平均绝对误差、均方误差）2、当不断调整参数，调整到一个地方，它的微分的值就是这一项，算出来正好是 0 的时候。1、开始会设定说，在调整参数的时候，在计算微分的时候，最多计算几次。机器学习就是让机器具备找一个函数的能力。
Datawhale X 李宏毅苹果书AI夏令营：《深度学习详解》- 1.1 通过案例了解机器学习——学习笔记
2402_86671500的博客
08-25 300
通过这一章节的学习，我进一步认识到了机器学习在现代人工智能领域的重要性，以及其在理论与实际应用之间的紧密联系。整体而言，这部分内容为我提供了机器学习的基础知识，为后续的深入学习打下了良好的基础。模型的选择也是关键一步，依据任务的具体要求，选择合适的算法，如线性回归、支持向量机或神经网络。首先，数据的数量和质量至关重要，数据中可能存在的噪声和偏差都会对模型的最终表现产生影响。模型的过拟合和欠拟合问题同样不容忽视，过拟合会导致模型在新数据上的表现不佳，而欠拟合则意味着模型无法有效捕捉数据的内在模式。
Datawhale X 李宏毅苹果书 AI夏令营 机器学习笔记task2
yiny37的博客
08-31 82
简单来说，线性模型假设因变量（响应变量）与自变量（解释变量）之间存在线性关系，即它们之间的关系可以用一条直线来近似表示。通过组合前面两个方法的优点，有望实现参数空间的高效搜索。此外,进行超参数的“偏置校正”也是Adam的特征。帮助解决梯度消失问题：某些激活函数（如ReLU及其变体）有助于缓解梯度消失问题，这在训练深层网络时尤为重要。Momentum参照小球在碗中滚动的物理规则进行移动，AdaGrad为参数的每个元素适当地调整更新步伐。引入非线性，发挥神经网络叠加层带来的优势。1.随机梯度下降SGD。
Datawhale 5 李宏毅苹果书 AI夏令营.pdf
08-26
Datawhale 5 李宏毅苹果书 AI夏令营.pdf
Datawhale X 李宏毅苹果书 全书
08-26
Datawhale X 李宏毅苹果书 全书
关于人工智能（AI）的研究报告
weixin_44196785的博客
08-29 4077
未来，随着技术的不断创新和应用的不断拓展，人工智能将继续发挥重要作用，推动社会的进步和发展。然而，人工智能的发展也带来了一些挑战，需要我们在技术创新、应用拓展和社会治理等方面共同努力，以确保人工智能的发展符合人类的利益和价值观。就业结构的变化：人工智能的发展将导致就业结构的变化，一些传统的工作岗位将被自动化和智能化的设备所取代，同时也会创造出一些新的工作岗位。社会治理的挑战：人工智能的发展将对社会治理带来挑战，例如如何应对人工智能带来的安全风险、如何保障人工智能的公平性和可及性等。
【大模型理论篇】RoPE旋转位置编码底层数学原理分析
源泉的小广场
08-30 2017
大模型、位置编码、Transformer、旋转位置编码、RoPE、Rotary Positional Encoding、数学原理、数学推导、旋转矩阵、相对位置、绝对位置、词元相似性、位置相关性
自然语言处理系列五十》文本分类算法》SVM支持向量机算法原理
最新发布
weixin_52610848的博客
09-01 497
【配套新书教材】《自然语言处理原理与实战》（人工智能科学与技术丛书）【陈敬雷编著】【清华大学出版社】新书特色：本书从自然语言处理基础开始，逐步深入各种NLP热点前沿技术，使用了Java和Python两门语言精心编排了大量代码实例，契合公司实际工作场景技能，侧重实战。
您应该使用哪个矢量数据库？ 选择最适合您需求的数据库
weixin_41446370的博客
09-01 759
在现实世界中，并非所有数据都能整齐地排列成行和列。在处理复杂的非结构化数据（如图像、视频和自然语言）时尤其如此。矢量数据库是一种以高维矢量形式存储数据的数据库，本质上是代表对象特征或特性的数字列表。每个矢量对应一个独特的实体，如一段文本、图像或视频。但为什么要使用矢量呢？奥妙就在于它能够捕捉语义和相似性。通过将数据表示为向量，我们可以对它们进行数学比较，并确定它们的相似或不相似程度。这使我们能够执行复杂的查询，如 "为我查找与此相似的图片 "或 “检索与此文本语义相关的文档”。
设备上的实时自定义手势识别
bit_mike的博客
08-31 670
这篇论文的标题是《On-device Real-time Custom Hand Gesture Recognition》，主要研究了如何在移动设备上实时识别自定义手势。论文的重点在于提出了一种新的框架，使得用户可以自定义手势识别流程，并且通过预训练模型和少量的训练数据来实现高准确率的手势识别，这对于AR、VR等领域具有重要的应用价值。
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