主要记录了工作之余胡乱学习的知识，大部分是入门级别的内容。 主要是为了自己未来有用到时能快速上手，相当于是个备忘录。 当然，也很开心其他人可以从中找到对自己有用的信息。^_^

总结“第5章 神经网络”中的概念

总结“第4章 决策树”中的概念

跟着DigitalOcean上的教程《How To Build a Neural Network to Recognize Handwritten Digits with TensorFlow》中的步骤，学习使用TensorFlow构建一个能识别手写数字的神经网络。

总结“第3章线性模型”中的概念

学习使用 Midjourney 最最基础的步骤，生成第一张图像。

学习通过Google Colab使用 Stable Diffusion 生成图像。主要参考资料：Get Started With Stable Diffusion (Free) in Google Colab for AI Generated Art

欢迎来到 Hugging Face 课程！本篇将引导您建立工作环境

在讨论 Transformer 模型之前，让我们快速概述一下什么是 NLP(自然语言处理) 以及我们为什么要关注它。

翻译HuggingFace教程《第1章 TRANSFORMER MODELS : Introduction》（0）

Disco Diffusion 是一个AI绘图工具，通过一句话就可以让AI画出符合描述的图片，网上可以看到很多令人惊叹的结果。我也想尝试一下这个神奇的技术，本篇目标是学习使用它的基础操作。

???? 错误率(error rate)如果在 mmm 个样本中有 aaa 个样本分类错误，则：错误率E=a/m错误率E=a/m错误率E=a/m???? 精度(accuracy)精度=1−错误率精度 = 1-错误率精度=1−错误率???? 误差(error)更一般地，我们把学习器的实际预测输出，与样本的真实输出之间的差异称为 误差。???? 经验误差(empirical error) vs 泛化误差(generalization error)学习器在训练样本上的误差称为 训练误差

机器学习(machine learning)引例：傍晚小街路面上沁出微雨后的湿润，和煦的细风吹来，抬头看看天边的晚霞，嗯，明天又是一个好天气。走到水果摊旁，挑了个根蒂蜷缩、敲起来声音浊响的青绿西瓜，满心期待着皮薄肉厚瓢甜的爽快感。为何引例中我们能判断出“好天气”和“好西瓜”呢？——因为我们有经验。上面的经验是我们人类自身完成的，计算机能帮忙吗？机器学习 正是这样一门学科：它致力于通过计算的手段，利用经验来改善系统自身的性能。在计算机系统中，“经验” 通常以 “数据” 形式存在。因此，机