- 博客(3)
- 收藏
- 关注
RSS订阅原创 实践方法论（Datawhale X 李宏毅苹果书 AI夏令营）
1.3.1可以先跑一些比较小的、比较浅的网络，或甚至用一些非深度学习的方法，比如线性模型、支持向量机（Support Vector Machine，SVM），SVM 可能是比较容易做优化的，它们比较不会有优化失败的问题.看得到的损失。1.3.3训练数据上面的损失小，测试数据上的损失大，可能是真的过拟合。1.看测试数据结果前，先看训练数据有没有做好。1.3.2只有同样的模型，越做深损失越大，说明优化有问题。1.3如何判定是以上哪个原因。b.可以设一个更大的模型，1.1模型的灵活性不够。a.可以增加更多特征，
2024-09-03 23:28:17
204
原创 Datawhale X 李宏毅苹果书 AI夏令营 线性函数
Hard Sigmoid 函数的特性是当输入的值，当 x 轴的值小于某一个阈值（某个定值）的时候，大于另外一个定值阈值的时候，中间有一个斜坡。这些模型都是把输入的特征 x 乘上一个权重，再加上一个偏置就得到预测的结果，这样的模型称为线性模型（linear model）。基于线性函数局限性，无法表述复杂的y-x关系，则引入分段线性函数。四、参数c、b、w变化对函数的影响，是灵活的函数。五、线性代数（矩阵）的方式表示，列向量。图形：先水平的，再斜坡，再水平的。三、Sigmoid 函数。（更新次数取决于批量）
2024-08-31 23:58:58
366
原创 机器学习基础（DATAwhaleX李宏毅苹果书 AI夏令营）
2.交叉熵（使用不同参数，计算不同损失，画误差表面）3.1训练的两个关键因素1 斜率2学习率（自己设定）3.2局限性：训练到局部最小值，难求最优解。机器学习就是让机器具备找一个函数的能力。1.构建模型（参数/权重/偏置/）3.坡度下降（通过算微分解最优化）分类：回归/分类/结构化学习。
2024-08-27 23:55:09
92
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人