2022李宏毅机器学习hw2

最新推荐文章于 2022-11-09 20:27:43 发布
最新推荐文章于 2022-11-09 20:27:43 发布
阅读量468 收藏
点赞数
分类专栏： 机器学习代码练习 文章标签： 深度学习 python 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/snajdansa/article/details/127591167
版权
本文介绍了完成李宏毅机器学习课程中第二课时的作业，任务是根据前后帧判断当前帧的phoneme。通过数据下载、四种改进方法（Simple line, Medium Baseline, Strong Baseline, Boss Baseline）的详细阐述，最终在Strong Baseline实现超过0.75的准确率，Boss Baseline尝试引入RNN但效果不理想，建议探索LSTM或Transformer。" 93420603,7551784,Excel数据分析：掌握52个关键函数,"['Excel', '数据分析']
摘要由CSDN通过智能技术生成

目录

一、任务

 数据下载

结果

 二、改进方法

2.1 Simple line (acc>0.45797)

2.2 Medium Baseline (acc>0.69747)

2.3 Strong Baseline (acc>0.75028)

2.4 Boss Baseline (acc>0.82324)

三、总结

Machine Learning HW2 

一、任务

        根据一帧前后的其他帧判断当前帧是属于哪个phoneme。

 数据下载

百度网盘：

链接：https://pan.baidu.com/s/1IptOdLPBAt-WZAY0grCeCw?pwd=s0k9 
提取码：s0k9

 

结果

全过strong baselin，public score与bossline差0.2

 

最低0.47元/天 解锁文章
梦想的小鱼
关注
专栏目录
李宏毅机器学习|Task02
weixin_42724663的博客
08-17 330
下降到最优处时得到最终的w,b，带入模型，得到一条直线，用模型去泛化，预测其他数据，还行，但拟合的不是特别理想，我们想到用二次模型，或多次模型，引入二次项，可能拟合的更理想，注意最终还是线性模型，因为将二次项还是视作一个特征，图形可视化为一条曲线。：更多特征，但是参数表示得权重 w 可能会使某些特征权值过高，仍旧导致过拟合，所以加入正则化，原来代价函数后面加上一项，该项只考虑w，不包含偏执参数b会比较好，正则项前的λ越大，曲线越越平滑，但不一定越平滑泛化能力越好，需要我们手动调整λ来测试。...
李宏毅机器学习2022-hw2
sama_AA的博客
05-06 5149
李宏毅机器学习2022-hw2 phoneme 双strong baseline
【李宏毅机器学习HW2】
detemination_的博客
10-07 4426
这篇文章是关于李宏毅机器学习2022年版第二次作业的一些想法，记录自己的学习历程，主要参考内容附在文末。HW2作业任务：这次作业来自于语音辨识的一部分，他需要我们根据已有音频材料预测音位，而数据预处理部分是：从原始波形中提取mfcc特征（已经由助教完成了），然后我们则需要以此分类：即使用预先提取的mfcc特征进行帧级音素分类。音位分类预测（Phoneme classification）是通过语音数据，预测音位。
李宏毅2022hw2
Seaern的博客
07-06 796
数据预处理:从原始波形中提取MFCC特征(TAs已经做了!) 分类:使用预先提取的MFCC特征进行帧级音素分类任务:多级分类 从语音中进行基于框架的音素预测数据：由于每一帧只包含25毫秒的语音，因此单个帧不可能代表一个完整的音素 通常，一个音素会跨越几个帧 将相邻的音素连接起来进行训练 每一段是39长度的向量。 将相邻的音素连接起来进行训练，然后会给出前后五段的数据，也就是我们有11*39 = 429 维度的一个特征，根据这个特征去做分类 。1.修改参数2.修改网络，增加归一化和dropout...
【李宏毅2022 机器学习春】hw2_Classification（strong baseline）
py今天刷题了吗
03-30 2072
文章目录实验记录（acc = kaggle评分）评分标准 实验记录（acc = kaggle评分） 实验 acc 备注 HW02-Copy1-narrower-and-deeper-dropout0.25-5帧 0.610 5帧是因为以为前后5帧，但看了程序这就是总共5帧,维度 = 39 * 5 = 195 HW02-Copy2-wider-and-shallower-dropout0.25-11帧 0.688 后面都改为11帧，39 * 11 = 429，沿用去年2021程序 HW
李宏毅机器学习2022 HW2
weixin_46321755的博客
11-09 728
HW2
李宏毅机器学习hw4.zip
最新发布
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...
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...
李宏毅机器学习2021HW3食物数据集
06-01
《李宏毅机器学习2021HW3食物数据集》是针对图像识别与分类的一份重要资源，尤其适用于深度学习领域的实践与研究。这个数据集由著名计算机科学家李宏毅教授团队提供，旨在帮助学生和研究人员提升在食物图像识别方面...
李宏毅2020春季作业hw2的所需数据（免费）
01-23
包括测试数据、训练数据等文件 data/sample_submission.csv data/test_no_label.csv data/train.csv data/X_test data/X_train data/Y_train
李宏毅机器学习 hw2 boss baseline 解析
qq_43613342的博客
09-23 2495
李宏毅机器学习 hw2 boss baseline
李宏毅2022机器学习HW2解析
weixin_42369818的博客
03-21 8454
李宏毅机器学习2022 hw2 解析！
李宏毅-机器学习HW2
terky
08-23 819
二分类问题，这里用的是logistic regression f=open(r'C:\Users\Lenovo\Desktop\HW2\spam_train.csv') data=list(csv.reader(f)) Data=np.array([list(map(float,i)) for i in data]) Data=Data[:,1:] X=Data[:,:-1] y=Data[:...
李宏毅机器学习2022春季-第二课和HW2
weixin_42369818的博客
02-26 1236
李宏毅机器学习2022春季-第二课和HW2
【机器学习】李宏毅HW2：Incoming Prediction
weixin_42182906的博客
09-17 1145
代码依旧参考：https://github.com/maplezzz/NTU_ML2017_Hung-yi-Lee_HW Requirement Dataset and Task Introduction TASK: Binary Classification Dtermine whether a person makes over 50K a year Dataset: ...
李宏毅机器学习hw2
老问题的博客
11-17 1192
Homework 2 - Classification 1.数据清洗 读取文件 在这次作业中只有X_train,X_test,Y_train三个文件被用到，可以通过Notepad++查看三个文件具体的数据。 X_train,X_test第一行是表头，第二行开始是数据。表头是个人信息。 Y_train只有两列，第一列是人的编号（ID），第二列是一个label——如果年收入＞50K美元，label就是1；如果年收入≤50K美元，labe...
李宏毅教授机器学习hw2用神经网络代码实现的解读
qq_39635835的博客
05-01 350
作业二 incoming prediction 任务：二分类问题 决定一个人的年收入是否达到50K Result Probabilstic Generative Model 在这个模型里面假设数据集属于高斯分布，采用两个种类shared_sigma的模型 训练数据直接将其中的10%当作valid，最后valid accuracy为0.843366, test accuracy为0.843867，结...
李宏毅机器学习2020春季作业二hw2（2）
qq_46126258的博客
01-27 1674
文章目录二、Porbabilistic generative model1、Preparing Data1、Mean and Covariance2、Computing weights and bias3、Predicting testing labels 二、Porbabilistic generative model 1、Preparing Data 训练集和测试集的处理方法和 logistic regression 一样，然而因为 generative model 有可解析的最佳解，因此不必使用到 d
李宏毅机器学习 hw1
08-01
回答: 李宏毅的机器学习课程中的hw1是关于线性回归任务的。这个作业的重点在于对原始数据的处理和线性回归训练的过程。学生通过分析目标，使用kaggle波士顿房价预测来提升作业1的性能。在这个过程中，有一篇博客文章提到了如何通过神经网络来确定输入的重要性[2]。此外，还有一个问题讨论了神经网络是否需要具有正态分布的数据[3]。
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

梦想的小鱼

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