李宏毅机器学习2023作业（目录）

原创 已于 2024-01-27 16:31:28 修改 · 994 阅读 · 7 ·
CC 4.0 BY-SA版权
本文为博主原创文章，未经博主允许禁止转载。如有问题，欢迎指正。
文章标签：

#机器学习 #人工智能

于 2023-09-20 22:05:37 首次发布
本文提供了李宏毅机器学习2023年的五项作业（回归、分类、图像分类、语音识别和机器翻译）的StrongBaseline完整代码，包括一键式执行，附带详细解析链接。

2023.10.12更新
作业01~04的一键式执行Strong Baseline完整代码已整理好，提取码统一设置2023

【解析→李宏毅机器学习2023作业01Regression(COVID-19 Cases Prediction)】
【2023作业01一键式执行Strong Baseline完整代码】
【解析→李宏毅机器学习2023作业02Classification(Framewise Phoneme Prediction)】
【2023作业02一键式执行Strong Baseline完整代码】
【解析→李宏毅机器学习2023作业03CNN(Image Classification)】
【2023作业03一键式执行Strong Baseline完整代码】
【解析→李宏毅机器学习2023作业04Self-attention(Speaker Identification)】
【2023作业04一键式执行Strong Baseline完整代码】
【解析→李宏毅机器学习2023作业05Transformer(Machine Translation)】

Explainable AI（李宏毅）机器学习 2023 Spring HW9 （Boss baseline）
m0_66773231的博客
01-07 991
及模型 [bert - based - cased] 分析以下句子： The police officer is popular with the residents because she is very generous and kind. 对于模型中 12 层，每层中的第 12 个 attention head (i.e. layer 1 head 12, layer 2 head 12, layer 3 head 12,..., layer 12 head 12)，下列哪一个功能可能存在？
【深度解析→博文总结】李宏毅机器学习2023作业04Self-attention(Speaker Identification)
qq_39975984的博客
04-09 1218
本次文章总结记录作业04Self-attention的调参经验，如下图所示，最终本人的模型方案在Public Test和Private Test都达到了Boss Baseline【Public分数0.96150>0.93175；Private分数0.96350>0.93000】，欢迎入门和深入机器学习知识的朋友们能在评论区多多交流，共同进步。
李宏毅2023机器学习作业HW07解析和代码分享
Hoper-J的博客
09-21 2783
李宏毅2023年春机器学习课程作业7的引导与代码分享
李宏毅2023机器学习作业HW06解析和代码分享
Hoper-J的博客
06-19 2923
李宏毅2023机器学习作业HW06解析和代码分享
李宏毅-2023春机器学习 ML2023 SPRING-学习笔记：4/7 Diffusion Model 原理剖析(optional)
Transfattyacids的博客
05-07 1389
4：从平均值(mean)=0，方差(variance)=1的normal distribution中sample出ε，大小与image一致，是一张全是噪音的图片。我们会发现，噪声只由β序列和xt-1所决定（固定的而非可学习的过程），且生成xt-1时只依赖于xt，可以得出在添加噪声的过程中，是一个马尔科夫链过程，进而得出。αT），得到带有噪音的图片（α越大得到的图片带有的噪音占比越大）；注意，在得到的式子中只有ε是需要通过神经网络来预测的（其他的参数都是已经定好的或是可以推算出来的）)：预测生成的噪音图片；
【深度解析→博文总结】李宏毅机器学习2023作业01Regression(COVID-19 Cases Prediction)
qq_39975984的博客
03-01 2761
【深度解析】李宏毅机器学习2023作业01Regression：详解达到4个baseline：simple、medium、strong和boss的调参过程，真正掌握李宏毅教授视频中所讲述的知识，强化机器学习/深度学习理论知识和调参经验。
【深度解析→博文总结】李宏毅机器学习2023作业03CNN(Image Classification)
qq_39975984的博客
04-01 1697
本次文章总结记录作业03CNN的调参经验，如下图所示，最终本人的模型方案在Public Test和Private Test都达到了Boss Baseline【Public分数0.89666>0.87400；Private分数0.90600>0.88600】，欢迎入门和深入机器学习知识的朋友们能在评论区多多交流，共同进步
【深度解析→博文总结】李宏毅机器学习2023作业02Classification(Framewise Phoneme Prediction)
qq_39975984的博客
03-25 1653
本次博客总结记录作业02Classification的调参经验，最终模型方案在**Public Test和Private Test都达到了Boss Baseline【Public排名第6，分数0.85201>0.83017；Private排名第4，分数0.85240>0.83058】，欢迎入门和深入机器学习知识的朋友们能在评论区多多交流，共同进步。
李宏毅2023机器学习作业HW02解析和代码分享
Hoper-J的博客
03-25 4328
李宏毅2023机器学习作业HW02解析和代码分享
HW_3_李宏毅2020机器学习作业_李宏毅作业3_李宏毅hw3_李宏毅作业三_saledzj_
10-01
《李宏毅2020机器学习作业3：Python实现深度学习基础》 在本次作业中，我们将深入探讨李宏毅教授2020年机器学习课程中的第三部分，主要聚焦于使用Python语言进行深度学习的基本操作。这个作业旨在帮助学生理解和...
李宏毅 机器学习 课程作业代码
08-17
李宏毅 机器学习 课程作业代码李宏毅 机器学习 课程作业代码李宏毅 机器学习 课程作业代码李宏毅 机器学习 课程作业代码李宏毅 机器学习 课程作业代码李宏毅 机器学习 课程作业代码李宏毅 机器学习 课程作业代码...
李宏毅2020机器学习作业2——Classification
01-21
开始之前声明：本文参考了李宏毅机器学习作业说明（需翻墙），基本上是将代码复现了一遍，说明中用的是google colab（由谷歌提供的免费的云平台），我用的是Jupyter Notebook 本文用到的资料在百度网盘自取点击下载...
李宏毅2020机器学习课程课后作业要求+代码.zip
03-14
《李宏毅2020机器学习课程课后作业详解》 李宏毅教授的机器学习课程因其深入浅出的讲解而备受赞誉，这门课程的2020版不仅涵盖了丰富的理论知识，还提供了实战性的课后作业，旨在帮助学生巩固理解并提升实践能力。在...
机器学习(4) cost function(代价函数)
ComingLiu的博客
11-09 802
cost function
机器学习21：可解释机器学习（Explainable Machine Learning）（上）
Master_oid的博客
11-09 846
本周以可解释机器学习为核心议题，系统阐述其在现代人工智能应用中的关键作用。内容重点解析可解释性的重要性——如避免“聪明的汉斯”式表面智能、满足法律合规与公平性要求，并深入探讨模型可解释性与性能强大性之间的权衡关系（如线性模型可解释性强但限制大、深度模型性能优但解释性差）。进一步，将可解释机器学习分类为局部解释与全局解释，并分别介绍其方法与案例，包括显著图、平滑梯度、可视化与探针等技术，揭示模型决策依据，为模型修正与优化提供依据。
【机器学习15】强化学习入门、Q-Learning、贝尔曼方程
2502_90283908的博客
11-05 1422
本文介绍了强化学习的基本概念和关键术语，重点阐述了Q-Learning算法在马尔可夫决策过程中的应用。内容分为三个部分： 强化学习入门：通过与监督学习的对比，说明强化学习通过奖励机制让智能体在环境中学习最优策略，并以自动驾驶直升机为例展示其应用场景。 关键术语解析：以火星车示例详细解释了状态、行动、奖励、回报、折扣因子和策略等核心概念，构建了强化学习的理论基础。 Q-Learning算法：引入马尔可夫决策过程作为强化学习的数学框架，为后续算法讲解奠定基础。 文章通过具体案例和表格对比，清晰地展现了强化学习在
机器学习：支持向量机（SVM）详解
sweet_ran的博客
11-09 1547
支持向量机(SVM)是Vapnik提出的经典监督学习算法，主要用于分类任务。其核心思想是寻找最优决策边界（超平面），通过最大化间隔实现强泛化能力。关键特点包括：仅依赖支持向量确定模型、处理高维数据优势明显。数学原理涉及硬间隔/软间隔优化、对偶问题转换及核函数(RBF/多项式等)处理非线性。实际应用中需注意数据标准化、核函数选择(C和gamma调参)等事项。scikit-learn提供SVC/LinearSVC实现，建议大数据用LinearSVC提升效率。SVM以"最大间隔"理念在小样本场
蓝牙钥匙 第64次 蓝牙定位精度提升技术：从RSSI校准到机器学习融合
IT深耕十余载，大道之简
11-08 818
近年来，机器学习技术在蓝牙定位领域展现出巨大潜力。与传统基于模型的定位方法相比，机器学习方法能够从大量数据中学习复杂的信号环境特征，建立更为准确的定位模型。特别是在处理RSSI信号的非线性、时变特性方面，机器学习表现出明显优势。指纹识别方法基于模型的方法和混合方法。指纹识别方法通过建立位置与信号特征之间的映射关系来实现定位；基于模型的方法则通过机器学习优化定位模型的参数；混合方法结合了两者的优点，在不同场景下发挥各自优势。
大模型知识编辑技术——李宏毅2025《机器学习》第十讲
最新发布
qq_41697157的博客
11-09 569
本讲聚焦模型编辑（Model Editing）技术，精准地修改大语言模型（LLM）中的单一知识点，而不像微调一样影响模型整体能力。本文讲解了评判模型编辑的三个原则（可靠性、泛化性、局部性）和模型编辑的两大方法（1、不改变模型参数的算法，如IKE；2、改变参数，如人类参与的ROME, 人不参与的Hypernetwork）
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

22世纪冲刺

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