【机器学习 李宏毅】 第一章 机器学习基本概念简介（下）

最新推荐文章于 2024-09-16 21:06:28 发布
最新推荐文章于 2024-09-16 21:06:28 发布
阅读量89 收藏
点赞数
文章标签： 机器学习 人工智能
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_44151015/article/details/124821882
版权

一、问题回顾

        简单的线性模型无法预测出更好的结果，出现model bias

        所有分段线性曲线（piecewise linear curve）

        所有曲线

         如何写出蓝色折线曲线：用sigmoid函数逼近，因此蓝色曲线被较为hard sigmoid

y=c\frac{1}{1+e^{-(b+wx_{1})}} =csigmoid(b+wx_{1})

 

二、模型建立

2.1建立函数（具有未知参数）

 

         转换为矩阵：

\sigma (r)代表sigmoid函数

 

 

 

 

 

 2.2定义损失函数

        Loss：L(\vartheta )

 2.3最优化

         实际操作：把资料随机分成一个个batch

        update\neq epoch

        举例：10000个例子，batch size为10，1个epoch更新1000次

三、激活函数（Activation Function)

        sigmoid就是激活函数

        ReLU:Rectified Linear Unit  cmax(0, )

        将sigmoid转换为ReLU

         可以反复多次进行ReLU/Sigmoid激活

 四、神经网络

        出现的问题：overfitting（在训练资料变好，测试资料结果却变差）

小破孩班杰明
关注
李宏毅2020机器学习资料汇总
⚡
04-08 8万+
前言 可能受到新冠病毒的影响，台大也开始了网课教学。李宏毅上传了2020版本的机器学习视频，可以说是非常好的学习资料（尽管其中多数都是2017、2019的视频，但有部分更新）。 和吴恩达的CS229机器学习相比，中文版本的机器学习显得亲民了许多，李宏毅的机器学习是英文的ppt+中文讲解，非常有利于大家入门。吴恩达的CS229中偏向于传统机器学习……
【机器学习】李宏毅——机器学习基本概念简介
FavoriteStar的博客
09-05 455
【机器学习】李宏毅——机器学习基本概念简介的学习记录
2023春季李宏毅机器学习笔记 02 ：机器学习基本概念
女王の专属领地
01-02 766
课程主页：https://speech.ee.ntu.edu.tw/~hylee/ml/2023-spring.php Github：https://github.com/Fafa-DL/Lhy_Machine_Learning B站课程：https://space.bilibili.com/253734135/channel/collectiondetail?sid=2014800
机器学习-李宏毅第1讲学习笔记
qq_50966724的博客
08-09 480
classification（分类）:函式的输出，就是从我们设定好的选项中选择一个当作输出（如上图判断这份邮件是否输出）3.Optimization（优化）找到能让损失函数值最小的参数 ——如何快速找到性能最优的函数，这是一个优化问题。Regression（回归）：要找到的函式，他的输出是一个数值（如上图预测明天的PM2.5的数值）3.根据微分（梯度）的方向，改变参数的值改变的大小取决于：斜率的大小以及学习率的大小（超参数）2.计算w=w0的时候，w这个参数对loss的微分是多少。1.随机选取初始值w0。.
李宏毅机器学习—机器学习介绍
进击的合成尸的博客
10-15 956
李宏毅机器学习笔记github链接：https://github.com/datawhalechina/leeml-notes 李宏毅机器学习笔记在线阅读链接：https://datawhalechina.github.io/leeml-notes 机器学习介绍 这门课，我们预期可以学到什么呢？我想多数同学的心理预期就是你可以学到一个很潮的人工智慧。我们知道，从今年开始，人工智慧这个词突然变得非...
李宏毅机器学习全套资料
08-31
《李宏毅机器学习全套资料》是一份全面深入的机器学习教育资源，主要涵盖了教学演示文稿、作业解决方案以及详尽的课程内容。这份资源对于想要深入理解和掌握机器学习这一领域的学习者来说，无疑是一份宝贵的参考资料...
【ML】 李宏毅机器学习课件及代码.zip
04-02
机器学习（Machine Learning, ML）是一种应用人工智能（AI）领域的科学技术，它使得计算机系统能够从数据中自动学习和改进，而无需显式编程。在机器学习的过程中，算法会通过识别和挖掘数据中的模式来构建一个模型，...
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
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实践深度学习的核心概念，包括神经网络的构建、反向传播算法...
李宏毅机器学习HW5.zip
04-08
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的...
一起对话式学习-机器学习02——机器学习方法三要素
weixin_73074505的博客
09-16 717
机器学习方法=模型+策略+算法 可以理解为：机器学习模型在一定优化策略下使用相应求解算法来达到最优化目标。
通过解预测和机器学习促进蚁群优化
最新发布
太极生两鱼
09-16 553
ML - ACO 算法的第一阶段，使用一组已知最优解的小定向越野问题实例训练一个 ML 模型。具体来说，使用分类模型根据问题特定的特征和统计度量来判断一条边是否属于最优路线。然后，训练后的模型用于预测测试问题实例中图中一条边属于最优路线的 “概率”。在第二阶段，我们将 ML 模型预测的概率值纳入 ACO 算法中，即使用概率值作为启发式权重或用于初始化信息素矩阵。这样做的目的是使 ACO 的采样偏向于那些预测更有可能属于最优路线的边，从而有望提高 ACO 找到高质量路线的效率。
机器学习-梯度下降实验一
yangfreeyyds的博客
09-16 143
【代码】机器学习-梯度下降实验一。
基于机器学习的乳腺癌肿瘤智能分析预测系统
Python极客之家
09-16 768
本系统致力于通过分析肿瘤的各种特征，如半径、纹理、形状等，利用Matplotlib、Seaborn 等工具进行可视化统计分析，并建立机器学习模型来预测肿瘤是否为恶性，测试集预测 AUC 达到 98.441%。系统的设计目的是为了帮助医疗专业人员更快地做出决策，并为患者提供更及时的治疗方案。
机器学习 vs 深度学习：深入浅出解析两者的区别
进击的码农
09-16 930
机器学习是人工智能的一个子领域，专注于开发能够从数据中自动学习和改进的算法。简而言之，机器学习让计算机通过经验（数据）来“学习”如何完成任务，而无需明确的编程指令。深度学习是机器学习的一个子领域，基于人工神经网络（Artificial Neural Networks, ANN），特别是多层神经网络（即“深”神经网络）。深度学习通过模拟人脑的神经元连接，能够自动提取数据中的高级特征，处理复杂的任务。
机器学习2--matplotlib绘图包
qq_54641174的博客
09-12 487
matplotlib画图
机器学习和深度学习的区别
不会代码的小林
09-11 678
综上所述，机器学习和深度学习在定义与起源、模型复杂度、数据需求、计算资源需求、特征学习能力以及应用范围与场景等方面都存在显著的区别。深度学习：则通常使用多层的神经网络模型，如卷积神经网络（CNN）、递归神经网络（RNN）等，这些模型复杂度高，包含大量的参数，能够处理更加复杂和抽象的问题。机器学习：常用的模型包括线性回归、支持向量机、随机森林等，这些模型相对简单，参数较少，适合处理较为简单的问题。深度学习：需要大量的标记数据来训练复杂的模型，以避免过拟合等问题，对数据的量和质都有较高的要求。
【机器学习】11——矩阵求导
qq_43507078的博客
09-16 269
矩阵求导
机器学习--逻辑回归
ID246783的博客
09-12 1002
是表示我们拟合出来的那条直线（二维的情况下，一下解释也是二维的情况下，高维就类比就行了）。而并且上过高中的都知道，同样的，我们考虑和线性回归一样构造一个表示差异程度的函数，然后用。这条直线将平面分成了两部分，一部分中的点是。表示的是这条直线上方的半平面部分，而。表示的是这条直线下方的半平面部分。的），而在逻辑回归中，我们希望。我们可以看到，这个函数过点。在逻辑回归中，我们只讨论。如果我们考虑将概率超过。在线性回归中，我们有。的一类，并把概率小于。
深度学习和机器学习的区别
JustinMars的博客
09-13 284
机器学习和深度学习各有优势和适用场景。机器学习更适合处理结构化数据，计算资源需求较低，且具备良好的可解释性。而深度学习在大规模非结构化数据处理方面表现突出，适合复杂任务，但需要更多的计算资源和数据支持。
李宏毅机器学习课程笔记：从深度学习到卷积神经网络
李宏毅的课程笔记系统地介绍了机器学习和深度学习的核心概念，不仅涵盖了理论，还包括了实际应用中的策略和技巧。通过这些知识，学习者能够掌握构建和训练智能模型的基本方法，从而在人工智能领域展开深入研究或实践...
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