- 博客(262)
- 收藏
- 关注
RSS订阅原创 一文搞懂CNN经典架构-EfficientNet！
随着深度学习的发展，CNN 的精度不断提升，但代价是网络越来越深、参数越来越多。例如 VGG-19 有 144M 参数，ResNet-152 计算量达到 11.3 GFLOPs。这在实际应用（如移动端推理）中非常昂贵。2019 年，谷歌团队提出 EfficientNet，其核心思想是通过一种系统化的复合缩放（Compound Scaling）方法，在计算量可控的前提下提升模型精度。EfficientNet 在 ImageNet 上取得了 SOTA 性能，同时参数量和计算量都显著减少。
2026-03-31 17:41:30
558
原创 一文搞懂CNN经典架构-DenseNet！
在 ResNet 提出残差连接后，深层网络的训练问题得到了极大缓解。然而，ResNet 的连接方式仍然比较稀疏：每一层的输出只与后一层相加，信息传递路径有限。2017 年，Gao Huang 等人提出了 DenseNet（Densely Connected Convolutional Networks），通过一种更加彻底的特征复用方式，使得网络在参数更少的情况下，依然能获得更好的性能。
2026-03-31 17:27:51
381
原创 一文搞懂CNN经典架构-ResNet！
2015 年，何恺明等人提出了 ResNet（Residual Network），首次在 ImageNet 挑战赛中使用超过 100 层的网络结构，并获得了冠军。ResNet 的关键创新是 残差连接（Residual Connection），它解决了深层网络训练困难的问题，使深度学习真正进入超深网络时代。
2026-03-30 16:28:14
408
原创 一文搞懂CNN经典架构-VGG!
AlexNet：深度学习革命的里程碑 2012年，AlexNet在ImageNet竞赛中以压倒性优势夺冠，错误率比第二名低10%，正式开启了深度学习时代。这个由Alex Krizhevsky等人设计的卷积神经网络具有突破性创新：采用8层网络结构（5卷积+3全连接）、首次大规模使用ReLU激活函数、引入Dropout正则化技术，并开创性地使用GPU并行训练。其关键贡献还包括数据增强方法和更深的网络架构，为后续VGG、ResNet等模型奠定了基础。AlexNet的成功不仅推动了计算机视觉的发展，更标志着人工智能
2026-03-29 16:27:46
441
原创 4.6 CNN经典架构-VGG
在 AlexNet 取得成功后，研究者们开始探索 更深的卷积神经网络 是否能够进一步提升性能。2014 年，牛津大学的 Visual Geometry Group（简称 VGG）提出了 VGGNet，并在 ImageNet 2014 挑战赛中获得了优异成绩。VGG 的核心思想非常简单：通过堆叠多个小卷积核（3×3），构建更深的网络结构。这种设计理念不仅取得了良好效果，也对后续网络架构产生了深远影响。
2026-03-29 16:21:45
389
原创 一文搞懂卷积神经网络经典架构-LeNet
LeNet 是卷积神经网络（CNN）的早期代表，由 Yann LeCun 等人在 1989 年提出，最初用于手写数字识别（MNIST 数据集）。作为最早成功应用于实际任务的卷积网络，LeNet 不仅奠定了卷积网络的基础结构，也开创了深度学习在计算机视觉中的广泛应用。
2026-03-27 16:16:05
522
原创 一文搞懂深度学习中的池化！
在卷积神经网络（CNN）中，卷积层用于提取图像或特征图的局部模式，而池化（Pooling）是卷积之后常用的一种下采样操作。池化可以降低特征图尺寸、减少计算量，并增强模型对位置和噪声的鲁棒性。下面从几个关键方面来介绍池化。
2026-03-27 16:04:25
940
原创 面试官：给我讲一下卷积吧！
卷积（Convolution）是深度学习中最核心、最常用的运算之一，尤其在图像处理、语音识别和自然语言处理中扮演着关键角色。它通过滑动窗口的方式提取局部特征，能够有效捕捉数据中的空间或时间结构，是卷积神经网络（CNN）的基础。
2026-03-26 15:57:46
388
原创 一文搞懂卷积神经网络！
卷积神经网络（Convolutional Neural Network, CNN）是深度学习中最具代表性和影响力的模型之一。它通过局部感受野、权值共享和多层卷积的方式，高效地提取数据的层次化特征，特别适合处理图像、语音以及具有空间结构的数据。CNN 的提出与成功，使得计算机视觉领域从传统的手工特征提取，迈入了端到端的特征自动学习阶段。
2026-03-26 15:44:10
415
原创 面试官：正则化都有哪些经典的方法？
在训练神经网络的过程中，我们经常遇到一个让人头疼的问题：训练集上精度高得离谱，测试集却一塌糊涂。这就是过拟合（Overfitting）。模型在训练集上死记硬背了样本，却没有真正学到可泛化的规律。要解决这个问题，除了多加数据、做数据增强之外，另一个关键武器就是——正则化（Regularization）。
2026-03-25 16:01:11
638
原创 面试官：你在训模型的时候经常使用的学习率策略有哪些？
在训练神经网络时，学习率（Learning Rate, LR） 是最关键的超参数之一。学习率控制了每次参数更新的步子大小，学习率太大，可能导致震荡甚至发散，模型根本学不下去；学习率太小，训练过程会非常慢，还可能卡在局部最优点。为了在不同阶段取得更好的训练效果，人们设计了各种 学习率调度策略（Learning Rate Scheduling），它们的目标是让学习率在训练过程中动态变化，而不是固定不变。
2026-03-25 15:44:48
484
原创 面试官：深度学习中经典的优化算法都有哪些？
在神经网络的训练过程中，优化算法（Optimizer） 是决定参数如何更新的关键工具。 它就像是模型学习过程中的导航仪，告诉我们在损失函数的山谷里该往哪个方向走、走多远。
2026-03-24 21:06:54
392
原创 一文搞懂经典的优化算法都有哪些？
在神经网络的训练过程中，优化算法（Optimizer） 是决定参数如何更新的关键工具。它就像是模型学习过程中的导航仪，告诉我们在损失函数的山谷里该往哪个方向走、走多远。
2026-03-23 15:42:47
753
原创 一文搞懂深度学习中的损失函数设计！
在神经网络的训练过程中，损失函数 （ Loss Function ） 决定了模型优化的方向。没有损失函数，神经网络就不知道该往哪里调整参数，也就无法真正学会任务。损失函数的设计不仅关乎模型能不能收敛，更直接影响最终的性能。
2026-03-23 15:36:37
363
原创 机器学习八股超全内容！！！
本文介绍了完整的机器学习知识库，涵盖从基础概念到高级算法的全部内容。知识库历时三个月完成，包含机器学习概述、数学基础、数据工程、监督/无监督/半监督/强化学习方法以及模型评估等核心模块。所有知识点均配有示例代码辅助理解。文章还列出了详细的专题文章链接，包括线性代数、特征工程、各类算法原理及评估方法等。作者将持续更新内容，并邀请读者留言补充重要知识点。该知识库旨在为深度学习和大模型学习打下坚实基础，相关内容可在网站(aicoting.cn)或公众号(aicoting)获取。
2026-01-30 23:47:48
408
原创 机器学习中都有哪些经典的模型调优方法？
模型调优方法综述 机器学习模型调优是提升模型性能的关键环节，主要包括超参数搜索和正则化技术。超参数搜索通过网格搜索、随机搜索或贝叶斯优化等方法寻找最优参数组合，平衡计算效率与模型精度。正则化技术（L1/L2正则化、Elastic Net和Dropout等）通过约束模型复杂度来防止过拟合，提高泛化能力。实践表明，结合交叉验证和合理的参数空间设置，这些方法能显著提升模型表现。不同调优策略适用于不同场景，需根据任务需求和数据特点灵活选择。
2026-01-29 23:32:14
998
原创 万字长文！搞懂机器学习中的分类|回归|聚类任务都有哪些常用的评估指标！
本文系统介绍了机器学习中不同任务的评估指标。分类任务使用准确率、精确率、召回率、F1值和ROC-AUC等指标；回归任务采用均方误差(MSE)、平均绝对误差(MAE)和决定系数(R²)；聚类任务则使用轮廓系数、归一化互信息(NMI)和调整兰德指数(ARI)。通过实例分析，详细展示了这些指标的计算方法和适用场景。合理选择评估指标能全面反映模型性能，为模型优化提供依据。
2026-01-29 23:21:49
1543
原创 一文搞懂机器学习中的数据划分与验证方法！
本文介绍了机器学习中数据集划分的常用方法，包括训练集、验证集和测试集的作用与划分原则，重点讲解了k折交叉验证的原理、优势及实现步骤。通过Iris数据集示例展示了5折交叉验证的具体应用，并分析了不同验证方法的适用场景和注意事项。文章还提及了交叉验证的扩展方法如留一验证和嵌套交叉验证，强调了合理数据划分对模型评估的重要性，为读者提供了机器学习模型验证的实用指南。
2026-01-21 23:29:12
845
原创 一文搞懂训练集验证集和测试集之间的区别
在机器学习中，为了评估模型的泛化能力，需要将数据集合理划分为训练集、验证集和测试集。训练集用于模型的学习，验证集用于模型选择和超参数调优，而测试集则用于最终性能评估。
2026-01-21 23:28:01
454
原创 一文搞懂强化学习的基础知识！
强化学习是一种通过与环境交互学习最优决策策略的机器学习方法，其核心是马尔可夫决策过程(MDP)框架。MDP由状态空间、动作空间、状态转移概率和奖励函数组成，通过动态规划方法如值迭代求解最优策略。本文以网格世界为例，演示了如何使用值迭代算法计算状态价值函数并导出最优策略，展示了强化学习在序列决策问题中的应用价值。该框架为机器人控制、游戏AI等实际问题提供了理论基础和解决方案。
2026-01-20 23:58:49
248
原创 万字长文！搞懂机器学习中半监督学习的经典方法！
半监督学习结合少量标注数据和大量未标注数据进行模型训练，有效降低标注成本。自训练通过初始模型预测高置信度样本作为伪标签迭代优化，但易受初始误差影响。协同训练则利用多视图特征，让不同分类器互相提供伪标签，提升模型鲁棒性。这些方法广泛应用于文本分类、图像识别等领域，显著提高模型性能。
2026-01-20 23:52:41
1058
原创 万字长文！搞懂机器学习中的概率图模型
本文介绍了三种重要的概率图模型及其应用。高斯混合模型（GMM）通过多个高斯分布的线性组合实现软聚类和密度估计，适用于图像分割、异常检测等场景。隐马尔可夫模型（HMM）用于建模序列数据，能处理语音识别、基因分析等时序问题。贝叶斯网络则通过有向无环图表示变量间的条件依赖关系，在医疗诊断、风险评估等领域有广泛应用。这些模型结合概率论与图论，为复杂系统的建模和推断提供了有效工具。
2026-01-19 23:46:08
881
原创 一文搞懂t-SNE和UMAP降维方法！
本文介绍了两种非线性降维方法t-SNE和UMAP。t-SNE通过保持局部邻域结构实现高维数据可视化，但计算复杂度高且对全局结构保留较弱。UMAP结合流形学习与图论方法，在保留局部结构的同时能更好维持全局关系，且计算效率更高。两种方法都适用于数据可视化、聚类分析等场景，但UMAP在大规模数据处理上更具优势。文章通过Iris数据集展示了两种方法的实际应用效果，并比较了它们的特点与适用场景。
2026-01-19 23:35:47
699
原创 机器学习中独立成分分析ICA和主成分分析PCA有什么区别？
独立成分分析(ICA)是一种无监督降维方法，与PCA不同，ICA追求统计独立性而非相关性，能有效分离混合信号中的潜在独立成分。
2026-01-18 14:42:05
687
原创 一文搞懂机器学习中的PCA主成分分析
主成分分析(PCA)是一种线性降维方法，通过提取数据主成分实现特征压缩和可视化。其核心步骤包括数据中心化、计算协方差矩阵、特征值分解和选择主成分投影。PCA能有效降低计算复杂度并去除噪声，但无法处理非线性结构且对异常值敏感。文章通过Iris数据集示例展示了PCA的实现过程，并比较了不同降维方法的优缺点。最新研究进展可通过关注公众号获取。
2026-01-18 14:40:18
724
原创 一文搞懂层次聚类和密度聚类方法！
本文介绍了两种常见的无监督聚类方法：层次聚类和密度聚类。层次聚类通过构建样本间的层次关系形成聚类树，可分为自底向上（凝聚型）和自顶向下（分裂型）两种方式，适用于小规模数据分析但计算复杂度较高。密度聚类方法（如DBSCAN和OPTICS）通过寻找高密度区域划分簇，能处理噪声和非凸形簇结构，其中DBSCAN简单高效，而OPTICS能适应不同密度的簇但计算更复杂。文章通过代码示例展示了两种方法的应用效果，并比较了它们的优缺点，为数据挖掘和探索性分析提供了重要工具。
2026-01-17 20:48:44
824
原创 K-Medoids聚类方法和K-Means有什么区别？
本文介绍了两种经典聚类算法：K-Means和K-Medoids。K-Means通过迭代优化将数据划分为K个簇，计算复杂度低但易受异常值影响；K-Medoids使用实际样本点作为簇中心，对噪声更鲁棒但计算复杂度较高。两种方法都适用于无监督学习场景，但各有适用条件：K-Means适合大规模数据，K-Medoids更适用于小规模高质量数据或需要稳健性的任务。文章通过Python代码示例展示了两种算法的实现过程，并对比了它们的优缺点和应用场景。
2026-01-17 20:43:47
668
原创 一文搞懂K-Means 聚类！
聚类是一种无监督学习方法，通过相似性将数据划分为不同簇，广泛应用于用户分群、市场细分等领域。K-Means通过迭代优化目标函数，将数据划分为K个簇，具有简单高效的特点。文章详细讲解了K-Means的算法流程、数学原理，并提供了Python实现示例，展示了聚类效果。最后指出K-Means的局限性及改进方法，如K-Means++等。该算法在数据挖掘和机器学习中仍具有重要地位。
2026-01-16 22:10:49
640
原创 一文搞懂监督学习中的集成学习！
本文介绍了机器学习中重要的树模型与集成学习方法。主要内容包括：1）Bagging方法及其代表算法随机森林，通过自助采样和特征随机选择降低方差；2）Boosting方法及其变体（AdaBoost、GBDT、XGBoost等），通过迭代修正错误样本权重提升精度。文章比较了不同算法的特点，并提供了Python代码示例演示随机森林、AdaBoost和XGBoost的实现。集成方法通过组合多个基学习器，能显著提高模型稳定性和预测性能，是工业界广泛应用的强大工具。
2026-01-16 22:05:59
1190
原创 一文搞懂树模型与集成模型
本文介绍了决策树和集成模型的基本原理与应用。决策树通过特征划分实现分类或回归，具有直观、可解释性强的特点，但容易过拟合。常见决策树算法包括ID3、C4.5和CART，分别采用信息增益、信息增益率和基尼指数作为划分准则。集成方法通过组合多个决策树提升性能，包括Bagging（如随机森林）、Boosting（如XGBoost）和Stacking。文章还演示了使用scikit-learn构建决策树分类器的代码示例，展示了决策树在鸢尾花数据集上的应用效果。
2026-01-15 23:37:11
651
原创 万字长文！一文搞懂监督学习中的分类模型！
分类模型是监督学习的核心分支，主要用于将输入样本划分到预定义类别中。逻辑回归通过Sigmoid函数将线性输出转化为概率，适用于二分类问题；朴素贝叶斯基于贝叶斯定理和特征独立性假设，分为高斯、多项式和伯努利三种变体，在文本分类等领域表现优异。两者都通过概率推断进行分类，但逻辑回归学习决策边界，而朴素贝叶斯直接计算后验概率。示例代码展示了如何使用scikit-learn实现这两种模型，并可视化分类效果。
2026-01-15 23:30:03
816
原创 万字长文！一文搞懂回归学习！
回归模型是监督学习中预测连续数值的重要方法，主要包括线性回归、岭回归、Lasso回归等。线性回归通过最小二乘法拟合特征与目标的线性关系，简单高效但易受异常值影响。岭回归引入L2正则化解决多重共线性问题，提高模型稳定性。Lasso回归采用L1正则化实现特征选择，适合高维数据。这些模型广泛应用于房价预测、销量分析等领域，评价指标包括MSE、R²等。不同回归方法各有优劣，需根据数据特点选择合适的模型。
2026-01-14 00:03:37
907
原创 一文搞懂机器学习中的特征降维！
特征工程是机器学习中将原始数据转化为有效特征的关键步骤，直接影响模型性能。其核心目标包括提取有效信息、减少冗余噪声、增强表达能力及提高训练效率。主要环节有特征选择、构造和降维。特征降维通过保留主要信息将高维数据映射到低维空间，常用方法包括PCA（主成分分析）、LDA（线性判别分析）、ICA（独立成分分析）以及非线性方法如t-SNE和UMAP。这些方法能降低计算成本、减少过拟合风险并提高模型效率。
2026-01-12 23:52:29
689
原创 一文搞懂机器学习中的特征构造！
特征构造是通过已有特征生成新特征以提升模型性能的过程，主要包括数值变换（多项式、对数变换）、类别编码（独热、目标编码）、时间特征（周期统计）、文本特征（词频、情感）和特征组合。合理构造特征能增强信息量、提高准确性，但需避免维度爆炸和过拟合。更多内容可关注公众号aicoting。
2026-01-12 23:43:40
756
原创 机器学习特征工程中的特征选择
特征工程是机器学习中将原始数据转换为有效特征的关键步骤，直接影响模型性能。其核心目标包括提取有效信息、减少冗余、增强表达能力及提高训练效率。特征工程包含特征选择、构造和降维三个环节。特征选择方法分为三类：过滤法（基于统计指标）、包裹法（基于模型性能）和嵌入法（模型自带选择）。不同方法各有优劣，需根据数据特性和模型需求选择。特征工程与算法本身同等重要，能显著提升模型效果。
2026-01-11 13:44:27
600
原创 机器学习中的数据预处理方法大全！
数据预处理是提升机器学习模型性能的关键步骤，主要包括数据清洗、集成、变换和规约。针对缺失值，文章介绍了删除法、均值/众数填充、插值法及基于模型的KNN和MICE插补方法。异常值检测则采用Z-Score和IQR等统计方法识别偏离数据分布的样本。这些预处理技术能有效改善数据质量，为后续建模奠定基础。文中还提供了Python代码示例，帮助读者快速实现相关操作。
2026-01-11 13:33:03
1056
原创 一文搞懂机器学习中的学习理论！
学习理论（Learning Theory）是机器学习的数学与理论基础之一，它可以从严格的数学角度解释和分析学习算法的性质与性能。
2026-01-10 17:52:35
695
原创 一文搞懂机器学习中的优化方法！
在机器学习中，模型的训练本质上是一个优化问题：我们希望找到一组参数，使得模型在给定数据上的损失最小化（或目标函数最大化）。优化方法提供了一套系统的数学工具，用于高效、稳定地寻找最佳参数。
2026-01-10 17:43:08
1023
原创 一文搞懂机器学习线性代数基础知识！
本文介绍了线性代数在机器学习中的核心应用。主要内容包括：1）向量与矩阵的基本概念，展示如何用矩阵表示样本数据；2）向量运算的几何意义，包括内积计算相似度和范数用于正则化；3）矩阵运算在模型计算中的应用，如神经网络全连接层；4）特征值分解和SVD的原理及其在PCA降维、推荐系统等场景的应用；5）线性代数与机器学习模型的结合，包括线性回归、SVM和神经网络的计算过程。文章通过具体公式和案例，阐述了线性代数作为机器学习数学基础的重要性。
2026-01-09 23:39:27
789
基于MCP协议的Agent demo
2025-08-23
东南大学竞选PPT(保研，考研，奖学金)
2025-08-23
哈工大竞选PPT模板（保研，考研，奖学金）
2025-08-23
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人