Datawhale X 李宏毅苹果书AI夏令营 深度学习入门方向 Task02笔记

最新推荐文章于 2024-11-08 23:59:09 发布
最新推荐文章于 2024-11-08 23:59:09 发布
阅读量240 收藏
点赞数 3
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_61710014/article/details/141759807
版权

线性模型

机器学习本质上分为三个步骤，第一步设未知函数，第二步定义损失函数，最后优化函数

是由于普通的线性模型往往存在很多局限性，所以我们需要去训练出更复杂一点，更灵活一点的模型来辅助完成目标

我们可以看一下下面这个图，图中的红线是我们需要实现的目标

这里我们尝试使用0123这些蓝线来对红线进行模拟

我们可以发现红色的曲线及分段线性曲线，它可以看作是一个常数，再加上一堆蓝色的函数

也就是如下图所示

这也告诉我们，只要有足够的蓝色行数，我们就可以通过权重加成把它变成任何连续的曲线

比如，我们使用观看youtub中李宏毅老师深度学习的课程人数，来解释

X1代表前一天的观看次数，X 代表两天前观看次数，X3代表 3 天前的观看次数，每一个 i 就代表了一个蓝色的函数。每一个蓝色的函数都用一个 Sigmoid 函数来比近似它

为了简化起见，括号里面的式子为

我们也可以用矩阵跟向量相乘的方法书写

接下来我们就把w的每一行或是每一列拿出来，这里无论是行还是列可以，我们只需要把w的拿出来的每一行或每一列拼成一个很长的向量，再把刚刚的向量拼上来

这样就构建出了一个很灵活的函数

幼术师领域大神
关注
深度学习-批量与动量【Datawhale X 李宏毅苹果书 AI夏令营】
weixin_43186817的博客
08-24 131
简单些理解，在高处下落的球在滑落到局部最低的坡之后会继续往高处越，假如当前的高处有一个小坡，球还是可以越过这个小坡到达下一个最低点。类比我们考试复习时，一个单元一个单元的知识点输入，所有单元都输入就室一整个轮回。而这一个单元用深度学习的术语来说就是批量（batch）。使用全批量的数据来更新参数的方法叫做批量梯度下降法(BGD)，在下降的梯度上引入随机噪声，叫做随机梯度下降法（SGD）。相对而言，大的批量更新比较稳定，小的批量梯度方向存在一定的噪声，有噪声的梯度反而可以帮助训练。
Datawhale X 李宏毅苹果书 全书
08-26
Datawhale X 李宏毅苹果书 全书
Datawhale X 李宏毅苹果书 AI夏令营task1笔记
scipig_的博客
08-22 1897
本章主要介绍深度学习常见的一些概念，方便我们从不同的角度来更好地优化神经网络。
Datawhale X 李宏毅苹果书AI夏令营 深度学习入门方向 Task03笔记
qq_61710014的博客
09-03 688
例如，一个模型在训练数据上将每个输入x映射到正确的y值，但对未知的x则随机输出，这种模型的损失在训练数据上为0，但在测试数据上表现差，因为它没有学到有用的预测规律，仅仅记住了训练数据。首先我们要理解什么是模型偏差，举个例子，如果我们使用一个很简单的模型，我们可以通过这个模型得到一个函数的集合，但是由于模型比较简单，导致让损失变低的函数并不在我们模型可以概括的范围之内，这样就导致我们无法将损失降低到最低。所以我们需要设置一个高灵活度的模型，通过深度学习或者是增加更多特征来使模型的偏差更低。
Datawhale X 李宏毅苹果书AI夏令营 深度学习入门方向 Task01笔记
qq_61710014的博客
08-27 279
机器学习，顾名思义，机器具备有学习的能力，简单来说，机器学习就是让机器具备找一个函数的能力。通过机器帮助找一个很复杂的函数，我们就可以实现输入和输出。比如说AlphaGo 也可以看作是一个函数，机器下围棋需要的就是一个函数，该函数的输入是棋盘上黑子跟白子的位置，输出是机器下一步应该落子的位置。随着要找的函数不同，机器学习有不同的类别。假设要找的函数的输出是一个数值，一个标量（scalar），这种机器学习的任务称为回归。除了回归以外，另一个常见的任务是分类（classification，）。
“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
08-25 790
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：《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 入门班选修3
09-03
结果prediction
Datawhale X 李宏毅苹果书 AI夏令营 进阶班 选修笔记
09-03
运行结果
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 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
【机器学习】平均绝对误差（MAE：Mean Absolute Error）
IT古董
11-08 599
平均绝对误差 (Mean Absolute Error, MAE) 是一种衡量预测值与实际值之间平均差异的统计指标。它在机器学习、统计学等领域中广泛应用，用于评估模型的预测精度。与均方误差 (MSE) 或均方误差根 (RMSE) 不同，MAE 使用误差的绝对值，因此它在处理异常值时更加稳定。
对比：生成对抗网络（GANs）和变分自编码器（VAEs）
weixin_67075116的博客
11-08 335
以下是生成对抗网络（GANs）和变分自编码器（VAEs）的详细介绍、区别、优缺点的对比表：总结：
使用多种机器学习调参模型进行二分类建模的全流程教程，代做分析
最新发布
qq_40073899的博客
11-08 584
我开发的本地零代码全能生信软件在github上的zihaoxingstudy1/OmicsTools仓库中，大家可以下载安装进行各种生信分析和可视化作图。 大家想使用我的零代码生信软件在自己电脑分析或者想要找人代做生信分析和科研课题项目都可以跟我联系。
大数据新视界 -- 大数据大厂之 Impala 性能优化：融合机器学习的未来之路（上 （2-1））（11/30）
【青云交】荣登原力全国前三，作者周榜前四，苏州均榜首，全网领军人物前列。
11-08 654
本文聚焦于大数据大厂中 Impala 性能优化，重点阐述 Impala 与机器学习融合这一关键路径。从数据处理演变说起，剖析融合的背景意义。深入介绍数据交互接口（格式、传输等）和计算资源管理（GPU/CPU、内存）的技术要点，并附代码。以电商、广告、金融案例展示应用效果，探讨其在医疗、物流等多行业的拓展潜力，为 Impala 性能优化和机器学习融合发展提供思路，助力企业数字化转型与创新。
从0开始学习机器学习--Day19--学习曲线
Chef_Chen的博客
11-08 682
一般来说，如果一个算法的表现不理想，那么多半是因为出现了欠拟合或过拟合问题，这种时候我们要做的就是搞清楚出现的是偏差问题还是方差问题，亦或是二者皆有，这有助于我们精准定位问题所在。之前，我们发现假设函数多项式的次数越高，代价函数的误差就越小，假设我们把多项式的次数作为横坐标，训练集代价函数的误差为纵坐标画图，呈现出来的应该是随着横坐标增大纵坐标不断减小的图像：随着多项式次数增加两种代价函数的变化情况但如果换做是验证集的假设函数，图像又有所不同。可以看到在。
数学建模---利用Matlab快速实现机器学习（上）
binhyun的博客
11-08 951
1.机器学习的引入 2.机器学习划分 2.1输入输出变量的介绍 2.2机器学习的分类 3.模型评估指标 4.混淆矩阵的引入 4.1反映内容 4.3正类和负类 5.ROC和AUC的说明 6.K折交叉验证 7.过拟合和欠拟合 8.Matlab操作 8.0数据集分析 8.1路径选择 8.2导入数据 8.3查看工作区 8.4分类学习工具箱使用 8.5我的总结
深入解密 K 均值聚类：从理论基础到 Python 实践
平凡程序猿~的博客
11-01 2013
K 均值聚类是一种基于质心的聚类算法，它通过反复迭代的方式将数据点分配到 K 个聚类中。每个质心代表一个聚类的中心位置，算法会不断调整质心的位置，直到满足一定的收敛条件。K 均值聚类的目标是最小化每个聚类内部所有点到其质心的距离之和。具体来说，K 均值聚类的步骤可以概括如下：随机选择 K 个初始质心。将每个数据点分配到离它最近的质心所在的聚类。重新计算每个聚类的质心，即对聚类中的所有数据点取平均值。重复步骤 2 和 3，直到质心的位置不再发生变化，或者达到预设的迭代次数。
机器学习课程总结（个人向）
cqbzcsq的博客
11-08 469
本文主要总结了机器学习课程中的大部分知识点，包含概念学习、决策树、ANN、贝叶斯推理、无监督学习、基于实例的学习、回归学习、线性分类器、特征选择与稀疏学学习。包含有LMS算法、Find-S算法、候选消除算法、ID3、C4.5、朴素贝叶斯、Gibbs算法、Kmeans、层次聚类、KNN、径向基函数RBF、线性回归、逻辑回归、softmax回归、SVM、Widrow-Hoff算法、relief-F算法、LVW算法、字典学习等内容。
GAN的基本原理
shiming8879的博客
11-03 875
生成对抗网络（GAN）自2014年由伊恩·古德费罗（Ian Goodfellow）等人提出以来，已成为推动人工智能生成内容（AIGC）领域发展的关键技术。GAN通过其独特的生成器和判别器结构，以及两者之间的对抗训练机制，为AIGC的发展带来了深远的影响。以下将详细探讨GAN如何推动AIGC的发展，涵盖其原理、应用、变种以及面临的挑战和未来展望。
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