- 博客(16)
- 收藏
- 关注
RSS订阅原创 数据增强、预训练、迁移、微调在模型各个阶段的含义
本文系统阐述了机器学习中的四个关键环节：数据增强（通过变换原始数据增加样本多样性）、预训练（在大规模数据上学习通用特征）、迁移学习（跨任务知识迁移的方法论）和微调（针对特定任务调整预训练模型）。文章通过对比表格清晰呈现了各环节的区别，并详细说明了它们在实际AI开发流程中的协同工作方式：从通用预训练模型出发，结合数据增强和针对性微调，最终实现特定业务场景的专用模型。这种分阶段方法有效解决了数据不足和模型泛化能力等问题。
2026-03-25 18:31:23
210
原创 矩阵论简明教程——复习笔记（自用）
本文摘要：文章系统梳理了矩阵理论中的核心概念与方法，主要包括：1）行列式因子、不变因子和初等因子的定义与计算方法；2）Jordan标准形的求解及可逆矩阵P的构造；3）Cayley-Hamilton定理与最小多项式；4）向量与矩阵范数的多种定义；5）特殊矩阵（相似矩阵、酉矩阵、正规矩阵等）的性质；6）Jordan标准形和正规矩阵对角化的具体计算步骤。内容涵盖了从基本概念到实际计算的完整知识体系，为矩阵分析提供了系统的理论框架和计算方法。
2026-03-04 20:42:17
306
原创 高级数据库技术——习题2（自用）
关系模型由数据结构、操作集合和完整性约束三部分组成。关系数据语言具有集合操作、非过程化等特点，可分为关系代数、关系演算和SQL三类。核心概念包括域、关系、元组等，以及主码、外码等约束机制。关系模式是静态结构，关系是动态实例。完整性约束包括实体完整性和参照完整性，外码非主属性时可取空值。关系代数基本运算包括并、差、笛卡尔积、投影和选择，其他运算如交、连接等可由此派生。等值连接与自然连接的主要区别在于是否要求同名同域及是否保留重复列。
2025-12-12 11:08:40
863
原创 高级数据库技术——习题1（自用）
摘要：本文系统阐述了数据库系统的基本概念和核心原理。主要内容包括：1.数据库系统的基本概念（数据、数据库、DBMS等）；2.文件系统与数据库系统的区别与联系；3.数据模型（层次、网状、关系模型）的定义、特点及实例；4.数据库系统的三级模式结构及其独立性优势；5.数据库系统的组成要素和主要功能。文章通过对比分析和概念定义，全面介绍了数据库系统的理论基础和架构特点，突出了关系模型的数学基础和三级模式的独立性优势。
2025-12-12 10:12:04
822
原创 高级数据库技术——期末复习（自用）
本文摘要：数据库系统原理包含核心概念与应用设计。概念部分涵盖数据独立性（逻辑/物理）、关系运算（笛卡尔积、选择/投影）、数据库设计流程（需求分析到运行维护）及事务ACID特性。应用部分包括SQL查询（多表连接、EXISTS嵌套）、存储过程优势（效率/安全/复用）、故障恢复机制（检查点/UNDO/REDO）以及E-R图转换为关系模型（工厂-产品-职工案例）。重点区分了概念模型与逻辑模型特性，并强调了关系数据库通过结构化数据与冗余机制实现数据管理与恢复的核心原理。
2025-12-10 20:08:28
1192
原创 实战Kaggle比赛：预测房价【动手学深度学习PyTorch】三
本文是Kaggle房价预测竞赛的完整流程代码，涵盖了数据加载、预处理、模型构建、交叉验证评估、最终预测与提交的全流程。
2025-12-08 16:27:10
877
原创 线性回归 + 基础优化算法【动手学深度学习PyTorch】二
本文介绍了线性回归的基本原理与实现方法。线性回归通过加权输入和偏差项进行预测，使用平方损失衡量误差。文章展示了从零开始实现线性回归的过程，包括数据生成、模型定义、损失函数和梯度下降优化。同时介绍了使用PyTorch框架的简洁实现方式，通过内置模块快速构建线性回归模型。两种方法都包含训练循环，通过小批量随机梯度下降优化参数，最终比较了估计值与真实参数的误差。结果显示框架实现能显著简化代码，同时保持相似的训练效果。
2025-11-22 18:18:34
495
原创 动手学深度学习PyTorch——跟李沐学AI（一）
本文介绍了PyTorch自动求导的基本流程。首先初始化可跟踪梯度的张量x，定义目标函数y=2*x²后执行反向传播，计算y对x的梯度。展示了PyTorch自动微分的关键步骤：1)设置requires_grad=True启用梯度跟踪；2)定义计算图；3)调用backward()计算梯度；4)通过grad属性获取结果。文章还说明了梯度累积特性及清零操作，并演示了sum()和平方运算的梯度计算示例。这些自动微分功能为深度学习中的参数优化提供了基础支持。
2025-11-21 17:13:40
264
原创 机器学习——期末复习（自用）
本文系统梳理了机器学习的关键概念与方法。工作流程包括数据收集、清洗、建模、可视化和决策。详细介绍了常用激活函数(Sigmoid、Relu、softmax)的特性及适用场景，阐述了线性回归采用对数标准差的原因。对比了Z-score、F-score和F1-score的区别，解析了ROC曲线和SVM原理。讨论了PCA降维技术、K-means的局限性，以及GMM模型的特点。比较了Lasso和Ridge回归在惩罚项和特征选择上的差异。
2025-11-19 18:44:21
1268
原创 训练误差 vs. 开发误差：从“课后练习”到“模拟考试”
摘要：机器学习模型性能评估涉及三类错误率：训练错误率反映模型对训练数据的记忆能力，开发错误率评估泛化能力并指导调参，测试错误率提供最终无偏评估。模型可能出现高偏差（欠拟合）或高方差（过拟合）问题，前者需增强模型复杂度或训练时间，后者需简化模型或增加正则化。开发集用于迭代调试，测试集应严格封存以保证评估公正性。常见的解决方法包括调整模型结构、数据增强和正则化等.
2025-11-07 11:01:39
710
原创 机器学习_混淆矩阵
摘要：混淆矩阵是一种用于评估分类模型性能的工具，通过对比预测结果与真实标签，直观展示模型的分类情况。以二分类为例，矩阵包含真正例(TP)、真负例(TN)、假正例(FP)和假负例(FN)四个指标。基于这些指标可计算准确率、精确率、召回率和F1分数等评估指标，分别反映模型总体正确率、预测正例的可靠性、识别正例的全面性以及两者的平衡性。例如在癌症检测中，高精确率意味着较少误诊，而高召回率则确保较少漏诊，实际应用中需根据场景需求权衡这些指标。
2025-11-01 19:05:46
2481
原创 深度学习_吴恩达_公式（自用）
机器学习核心算法与应用摘要：本文系统介绍了机器学习中的关键算法，包括代价函数（多变量与逻辑回归）、梯度下降（批量与线性回归）、Sigmoid函数在逻辑回归中的应用，以及正则化线性回归和神经网络模型（含前向传播算法）。这些方法涵盖了从线性回归到分类问题的解决方案，为建立预测模型提供了完整的数学框架和优化技术。
2025-10-31 11:41:30
560
原创 评估 3DLinker 模型生成分子连接链的性能（自用）
3DLinker模型在分子生成方面表现出色：化学有效性达99.27%，生成分子结构合理；具有优秀的创造力，32.58%为全新连接链；90%以上分子通过2D结构和可合成性检测；三维结构预测精准，RMSD仅0.068埃。综合指标显示，该模型在三维分子设计中兼具创新性和实用性，可生成多样、高质量且结构精确的分子，具备显著的应用价值。
2025-10-29 17:08:13
1379
原创 3DLinker: 用于分子连接链设计的 E(3) 等变变分自编码器
摘要：3DLinker是一种基于E(3)等变变分自编码器的分子连接链设计方法，用于解决PROTAC技术中连接链设计的挑战。该模型能基于输入分子片段条件生成连接子，自动预测锚点并保持三维坐标的等变性。通过变分自编码器框架训练，模型从ZINC数据库构建的数据集中学习分子重构。实现过程包括GPU环境配置、RDKit等依赖包安装，以及使用预训练模型生成新分子样本。该方法为复杂分子设计提供了自动化解决方案，显著提高了连接链设计的效率。
2025-10-24 09:46:19
578
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