2021-07 李宏毅机器学习打卡Task07：总结

最新推荐文章于 2024-05-29 13:27:18 发布
最新推荐文章于 2024-05-29 13:27:18 发布
阅读量327 收藏
点赞数 1
分类专栏： DataWhale组队学习 机器学习 文章标签： 神经网络 深度学习 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/qq_40258328/article/details/119083964
版权

Task07 总结

学习地址

总结

Three Steps for Deep Learning/ Machine Learning

机器学习或深度学习的框架都可以概括为3步：

  • Step 1: define a set of function
    只是深度学习里定义的function set 即神经网络
  • Step 2: goodness of function
    一般通过合适的loss function 来衡量
  • Step 3: pick the best function
    通过转为为优化问题求解，可使用具体的方法如gradient descent
最低0.47元/天 解锁文章
wizzniu
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
2021-07 李宏毅机器学习打卡Task01：机器学习介绍
qq_40258328的博客
07-12 135
Task01 机器学习介绍 学习地址 李宏毅机器学习B站视频地址 李宏毅机器学习开源笔记地址 论坛版块 机器学习介绍 人工智能AI/机器学习ML/深度学习DL之间的关系 AI > ML > DL AI是目标，ML是想要达成目标的手段，DL是ML的其中一种方法。 机器学习 ≈ Looking for a Function 机器学习可以理解为让机器具有寻找一个function的能力，即让其根据提供的资料，寻找出需要的function。 机器学习框架 Step 1: define a
machineLearningDeepLearning:李宏毅2021机器学习深度学习笔记PPT作业
05-11
李宏毅老师2021年Spring机器学习深度学习上线新课程，持续更新中 PPT，作业代码，学习笔记，上课代码，tensorflow|pytorch将会上传到github，欢迎Star，请多多鼓励。 如何下载本库内容 下载方式 1 git工具下载 ​ git clone 下载方式 2 网页下载 更新记录 PPT部分 路径：machineLearningDeepLearning/ppt 第七章 已同步官网更新到第九章 Domain Adaptation/RL Video部分  课程介绍 中文 英文 第一章 中文 英文 第二章 中文 英文 第三章 中文 英文 更新部分 第四章 中文 英文 未更新 第五章 中文 第六章 中文 第七章 中文 第八章 中文 第九章 官网暂未更新 HomeWork部分 路径：machineLearningDeepLearning/homework
【2021.07】datawhale组队学习李宏毅 总结
Mounvo的博客
07-25 397
文章目录01机器学习介绍02 回归step1:modelstep2：评价一个模型的好坏step3:使用gradient descent进行优化优化03 误差估测方差和偏差偏差 v.s. 方差04 训练集划分交叉验证N-fold cross validation05 gradient descent06 深度学习step1:神经网络step2:模型评估step3:选择最优函数0708 卷积神经网络CNN特征CNN架构 对这一期的组队学习内容进行总结梳理。 01机器学习介绍 【2021.07】datawhale
2021-08-16李宏毅深度学习task1总结
m0_57050414的博客
08-16 137
在task1的学习中，主要是建立对机器学习的基础认识： 首先，机器学习主要分为五类：<1>监督学习；<2>半监督学习；< 03>无监督学习；<4>迁移学习；<5>强化学习。 一、监督学习： 1.学习到回归regression与分类classicification的区别： --regression：是机器学习的一个task，在一个作业里，我们要先给出一个预测值，接下来找到一个function，使输出...
李宏毅机器学习笔记
01-18
李宏毅机器学习笔记，文档文件，笔记全面，总结充分，仅供学习
2021-07 李宏毅机器学习打卡Task02：回归
qq_40258328的博客
07-14 129
Task02 回归 学习地址 李宏毅机器学习B站视频地址 李宏毅机器学习开源笔记地址 论坛版块 回归 定义和例子比较简单，不详细介绍。主要总结一下相关理解和注意点。 模型步骤 step1：模型假设，选择模型 可以选择线性模型，一元的或多元的 ps：线性模型不仅仅只是一次的，也可以是n次的以及其他交叉的，只需将 xn 看作是一个特征即可 step2：模型评估，如何判断众多模型的好坏（损失函数） 对于线性回归选择误差平方和即可 ps：这是一个凸函数，故在用gradient descent寻找最优
2021-07 李宏毅机器学习打卡Task05：网络设计的技巧
qq_40258328的博客
07-21 307
Task05 网络设计的技巧 学习地址 李宏毅机器学习B站视频地址 new: 2021春课程视频地址 李宏毅机器学习开源笔记地址 论坛版块 网络设计的技巧(解决神经网络训练问题) (一)局部最小值(local minima)与鞍点(saddle point) loss不下降的一个可能原因：卡在了critical point critical point 即梯度接近0的点，包括local minima和saddle point How to do with critical point? if me
2021-07 李宏毅机器学习打卡Task04：深度学习简介和反向传播(下)
qq_40258328的博客
07-18 124
Task04 深度学习简介和反向传播(下) 学习地址 李宏毅机器学习B站视频地址 李宏毅机器学习开源笔记地址 论坛版块 反向传播 背景 梯度下降 参数更新依旧使用梯度下降，只是计算梯度时使用更高效的方法即反向传播机制 链式求导法则 反向传播的基础即链式法则，通过一层一层的误差导数向前传播完成所有梯度的计算 反向传播具体机制 主要分两个部分：Forward Pass 和 Backward Pass 要计算 loss 对某个参数 w 的偏导，即 ∂l∂w\frac{\partial{l
2021-07 李宏毅机器学习打卡Task03：误差来源、梯度下降
qq_40258328的博客
07-16 189
Task03 误差来源、梯度下降 学习地址 李宏毅机器学习B站视频地址 李宏毅机器学习开源笔记地址 论坛版块 误差error 误差来源 来源一：bias(一般见于underfitting) 在训练集上loss就很大 —> model bias 来源二：variance(一般见于overfitting) 在训练集上可能表现很好loss很小(比如把输入特征很多，模型参数很多，将模型建得很复杂)，在测试集上效果反而变差 —> overfitting Bias v.s Variance 简
台大-李宏毅-B站机器学习视频-课件.zip
09-30
台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器...
李宏毅机器学习2021HW3食物数据集
07-06
1、本资源为台大李宏毅深度学习课程作业数据集。 2、训练集内含课程所需数据集 3、提供下载便利
台大-李宏毅-B站机器学习视频-课件
01-08
台大-李宏毅-B站机器学习视频-课件 Deep Auto-encoder Unsupervised Learning
ML2021-Spring:李宏毅（Hung-Yi Lee）机器学习Machine Learning 2021 Spring
03-06
国立台湾大学机器学习Machine Learning 2021 Spring （每周更新！每周更新！） 该存储库包含李宏毅（Hung-Yi Lee）指导的15项机器学习家庭作业的代码和幻灯片。 有关该课程的所有信息都可以在上找到。 讲座视频 ...
Logistic回归预测收入----台大李宏毅机器学习作业2(HW2)-附件资源
03-02
Logistic回归预测收入----台大李宏毅机器学习作业2(HW2)-附件资源
2021-07 李宏毅机器学习打卡Task06：卷积神经网络CNN
qq_40258328的博客
07-23 341
Task06 卷积神经网络(CNN) 学习地址 李宏毅机器学习B站视频地址 new: 2021春课程视频地址 李宏毅机器学习开源笔记地址 论坛版块 最流行的神经网络架构—CNN 如何用FullyConnectedNetwork分类image 全连接网络的问题 将输入image转为3-D的Tensor，再flatten，送进全连接网络 存在的问题：参数量太多，容易过拟合 图像处理里，用全连接提取特征并不好用 考虑图像本身的特性，每个neuron为了提取某种特征，并不需要通过整张图片，只关心一小部分即可
2021-07 李宏毅机器学习打卡Task04：深度学习简介和反向传播(上)
qq_40258328的博客
07-18 150
Task04 深度学习简介和反向传播(上) 学习地址 李宏毅机器学习B站视频地址 李宏毅机器学习开源笔记地址 论坛版块 深度学习简介 深度学习的发展 感知机和逻辑回归类似，只是没有sigmoid激活函数 多层感知机MLP和全连接神经网络NN类似，少了激活函数 GPU的发展推动了深度学习 2012Alexnet转折点 Three Steps for Deep Learning Step1：定义function set即神经网络 神经网络中的每个节点，类似逻辑回归函数，不过激活函数不一定是sigm
神经网络 设计层数和神经元数量的考虑
最新发布
软件工程小施同学 的专栏
05-29 369
选择第二层有24个神经元的设计是为了在特征提取和压缩之间取得平衡。这样的设计既能提高模型的非线性表达能力，又能避免过拟合，同时保证信息的逐步提取和处理。这种设计原则需要根据具体任务和数据的需求进行实验调整，最终找到最优的模型结构。
[数据集][目标检测]伤口检测数据集VOC+YOLO格式2760张1类别
FL1623863129的博客
05-27 413
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。重要说明：大部分是脚本伤口，也有一小部分是其他部分伤口。图片数量(jpg文件个数)：2760。标注数量(xml文件个数)：2760。标注数量(txt文件个数)：2760。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
线性回归预测PM2.5----台大李宏毅机器学习作业1(HW1)
05-25
好的，这是一个经典的机器学习问题。以下是实现线性回归预测PM2.5的步骤： 1. 数据准备：从台湾环境保护署所提供的空气品质观测数据中，选取12个月份的每天24小时的资料，总共有12*24=288个数据点。每个数据点包含18个特征和1个标签（即PM2.5浓度）。可以使用pandas库来读取数据，处理数据等。 2. 特征工程：将原始数据转换为模型能够使用的特征。具体来说，可以采用以下方法： （1）将时间序列转换为连续的序列，例如使用前9小时的空气质量数据来预测第10小时的PM2.5浓度。 （2）对于缺失值，可以使用均值或者中位数进行填充。 （3）可以考虑添加一些新的特征，例如时间戳、一些统计特征等。 3. 模型训练：将数据分为训练集和验证集（测试集），使用训练集进行模型的训练，采用梯度下降法或者正规方程法求解线性回归模型的参数。训练过程中，需要注意正则化，以避免过拟合。 4. 模型评估：使用验证集进行模型的评估，计算出模型的RMSE（均方根误差）等指标。 5. 模型预测：使用训练好的模型对测试集进行预测，生成预测结果。可以将预测结果保存为csv文件，并将其提交到比赛平台上进行评估。 在实现过程中，可以参考台大李宏毅老师的课程作业，里面有详细的代码和实现过程。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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