DataWhale AI 夏令营学习笔记-机器学习-Baseline

最新推荐文章于 2024-08-12 23:26:43 发布
最新推荐文章于 2024-08-12 23:26:43 发布
阅读量228 收藏
点赞数 2
文章标签： ai 机器学习
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/weixin_57958034/article/details/140424920
版权

第一步：报名赛事         链接2024 iFLYTEK AI开发者大赛-讯飞开放平台

找到“电力需求预测挑战赛”——点击【报名参赛】——勾选同意——点击【好的】——报名成功

第二步：跑通baseline        链接https://aistudio.baidu.com/projectdetail/8151133

1.登录百度账号

2.运行项目：右上角点击【运行一下】，如果是新用户需要完善信息后刷新

3.启动环境：点击【启动环境】——点击【确定】——点击【进入】环境

4.运行全部Cell：点击左上角双箭头运行全部Cell——约1分钟后，运行成功，下载submit.csv文件即可

5.下载submit.csv文件：右键点击文件——点击下载文件——【另存为】在自己目录中即可

第三步：提交文件，得到baseline分数        链接2024 iFLYTEK AI开发者大赛-讯飞开放平台

点击【提交结果】跳转提交界面——点击【选择文件】——选中submit.csv文件——点击【打开】——点击【提交】——点击【提交】，等待评分

相关知识点：时间序列问题的定义；传统时序模型

学习文件链接 从零入门机器学习竞赛；【AI Studio】baseline项目

瑶瑶酱Alex
关注
  • 2
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【Datawhale AI 夏令营第三期学习笔记Taks1】 跑通baseline #Datawhale AI 夏令营
07-28
【Datawhale AI 夏令营第三期学习笔记Taks1】 跑通baseline #Datawhale AI 夏令营
【Datawhale AI夏令营第四期】魔搭-AIGC方向 BaseLine注释版
08-11
【Datawhale AI夏令营第四期】魔搭-AIGC方向 BaseLine自己阅读加的注释，还有一些在个人电脑上运行BaseLine需要用到的文件存档。 一般读者只需关心注释版的BaseLine即可。
人工智能-机器学习-多因子选股-基于机器学习方法构建多因子选股模型：RandomForest, GBDT, Adaboots,
07-09
选用机器学习模型回测 特征和标签构建。 等权重线性模型。 建立baseline models，尝试使用多种模型。SVR，RNN(LSTM)，xgboost, random_forest，adaboost... 交易逻辑确定。 回测结果记录，分析。
年化26.4%，quantlab5.5发布——多任务机器学习组合优化，可视化策略生成向导（代码+数据）
weixin_38175458的博客
08-09 496
三年前，开始认真输出内容，就有了B计划的样子。——现在的生活是你三年前、五年前的模式所决定的，没有办法很快去改变。这个需要想清楚，这条路当然优点非常多，尤其适合内向，不喜欢，也不擅长与人协作、打交道的同学们。有时候不是努力就可以的，它需要一种特质，一点点悟性，还有很多的耐心。你理想中的生活与现实中的生活，之间的差距，就是你要去补足的地方。C计划，大胆一点，疯狂一点，守住底线的基础上勇敢做自己。三年后、五年甚至八年后，你想过上什么样的生活。但三年，五年后的生活，是你当下的模式所决定的。你的C计划是什么呢？
《机器学习by周志华》学习笔记-决策树-03
vanilla698的博客
08-12 597
到目前为止，我们在决策树01、02中仅讨论了基于离散属性来生成决策树，而现实任务中常会遇到连续属性，所以在本章的学习中，我们将会讨论如何在决策树学习中使用连续属性。缺失值处理现实生活中的数据结构经常会遇到不完整的样本，即有些样本的某些属性值缺失。且样本数量越大，缺失的属性值会越多。例如医疗数据中隐私测量结果等。
西瓜书学习笔记一 引言 基本术语 机器学习周志华
XinxingZh的博客
08-12 677
日常生活中有很多，如判断天气、判断西瓜是否成熟。我们能做出有效的预判，是因为我们已经积累了许多经验，而通过对经验的利用，就能对新 情况做出有效的决策。机器学习它致力于研究如何通过计算的手段，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，机器学习所研究的主要内容，是关于的算法，即"学习算法" (learning algorithm)。
机器学习第十章-降维与度量学习
wastec的博客
08-12 535
K近邻学习是一种简单的监督学习算法，用于分类和回归任务。：存储训练数据及其标签，没有显式的训练过程。给定测试样本 x，若其最近邻样本为z 则最近邻分类器出错的概率就是x与z类别标记不同的概率，即：10.2低维嵌入在高维情形下出现的数据样本稀疏、距离计算困难等问是所有机器学习方法共同面的严重障碍，被称为"维数灾难"。
零基础学会机器学习，到底要多久？
2301_79335566的博客
08-07 1021
这两天啊，有不少朋友和我说，想学机器学习，但是之前基础，不知道能不能学得会。首先说结论，，但是一定不能三天打鱼两天晒网，要持之以恒，至少每隔两天，必须得看一点。所以呀，我整理了关于机器学习各种内容的资料，跟大家一起看一看，从零基础入门，想要学会深度学习，到底需要多长时间呢？首先声明，没有广告！没有广告！没有广告！接下来呢，咱们就进入正题，要多久能学会，也就是基本掌握机器学习。这里，我们依次来看。
Sigmoid函数：机器学习中的关键激活函数
在路上的专栏
08-12 338
Sigmoid函数，也称为逻辑函数，其数学表达式为：其中，( e ) 是自然对数的底数，约等于2.71828。Sigmoid函数的特点是将任意实数映射到(0, 1)区间内，这使得它在处理二分类问题时特别有用。
机器学习笔记：注意力机制中多头注意力的实现
2301_79335566的博客
08-12 318
单个注意力学到的东西有限，可以通过对不同的注意力进行组合，学到不同的知识，以达到想要的目的。因此采用”多头注意力“的方法进行实现，即有多个注意力”头“，对其进行连结得到输出。
【机器学习sklearn实战】岭回归、Lasso回归和弹性网络
跟着大数据和AI去旅行
08-09 332
定义岭回归模型# 定义LASSO回归模型# 定义弹性网络模型。
机器学习第九章-聚类
wastec的博客
08-12 529
在"无监督学习"中研究最多、应用最广的是"聚类" .聚类试图将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个"簇" .聚类过程仅能自动形成簇结构，簇所对应的概念语义需由使用者来把握和命名。聚类的结果可用包含m个元素的簇标记向量 λ=(λ1;λ2;...;λm) 表示.9.2性能度量聚类性能度量亦称聚类"有效性指标"聚类性能度量大致有两类. 一类是将聚类结果与某个"参考模型"进行比较，称为"外部指标";另一类是直接考察聚类结果而不利用任何参考模型，称为"内部指标"。
机器学习笔记：seq2seq训练
2301_79335566的博客
08-10 592
这节真是有够难的，笔者目前正在学习这一节，只不过先把这个博客发出来。所以说，可能有很多地方还只是一笔带过，后面还会再慢慢更新。另外关于seq2seq的结构，可以看之前发的博客。
机器学习中的训练集、验证集和测试集区别
FeelTouch Labs
08-12 395
编者按：分享一个很硬核的免费学习网站，通俗易懂，风趣幽默， 可以当故事来看，轻松学习。在机器学习中，数据集通常被划分为训练集、验证集和测试集，每个部分在模型的构建和评估中扮演着不同的角色。以下是对这三种数据集的详细解释及其作用。
机器学习笔记：序列到序列学习[详细解释]
2301_79335566的博客
08-10 943
本节我们使用两个循环神经网络的编码器和解码器， 并将其应用于序列到序列（sequence to sequence，seq2seq）类的学习任务。遵循编码器－解码器架构的设计原则， 循环神经网络编码器使用长度可变的序列作为输入， 将其转换为固定形状的隐状态。换言之，输入序列的信息被编码到循环神经网络编码器的隐状态中。
机器学习——完整的基础概念学习，机器学习分类
最新发布
m0_52889787的博客
08-12 723
机器学习、深度学习、有监督学习、无监督学习、强监督学习、弱监督学习、联邦学习、深度学习能取代机器学习吗？
机器学习笔记：编码器与解码器
2301_79335566的博客
08-09 635
在机器翻译中，输入的序列与输出的序列经常是长度不相等的序列，此时，像自然语言处理这种直接使用循环神经网络或是门控循环单元的方法就行不通了。因此，我们引入一个新的结构，称之为“编码器-解码器”（Encoder-Decoder），通过这种结构，来实现输入输出长度不均等的问题。
机器学习笔记：门控循环单元的建立
2301_79335566的博客
08-08 256
门控循环单元（Gated Recurrent Unit，简称GRU）是循环神经网络一种较为复杂的构成形式，其用途也是处理时序数据，相比具有单隐藏状态的RNN，GRU具有忘记的能力，可以忘记无用的数据。
【机器学习】反向传播算法的直观解释、微积分原理以及反向传播中的链式法则
m0_49243785的博客
08-12 562
通过这种方式，反向传播算法能够计算出损失函数对每个权重的梯度，然后我们可以使用这些梯度来更新权重，以减少损失函数的值。这个过程不断重复，直到网络性能达到一个满意的水平。通过这种方式，反向传播算法能够有效地计算出损失函数对网络中每个参数的梯度，从而允许我们使用梯度下降或其他优化算法来训练神经网络。链式法则是实现这一过程的关键数学工具。
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