一些思考和tricks

最新推荐文章于 2025-12-22 17:20:37 发布
原创 最新推荐文章于 2025-12-22 17:20:37 发布 · 187 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#统计学 #机器学习

博客围绕δ方法、似然函数展开，重点探讨了概率空间问题，如在0到1均匀分布中取到1/2的概率是否为0。指出因测度理论，连续型随机变量多存在于理论中，实际需大量实验求近似，还提及概率是测度，零测度集不一定是空集。

一些思考和tricks

δ 方 法 \delta方法 δ方法

似然函数

一个关于概率空间的问题

如果说在一个连续分布中一个点的取值概率为0，那么假设在0到1的均匀分布中随机取一个数，取到1/2的概也是0么？

我的个人想法：
因为测度相关的理论导致这个问题，因为现实情况下是没有办法把所有数给表示出来的，所以连续型随机变量实际上都是存在于理论中，实际情况只能通过大量实验求得一个趋向于无穷的近似。
概率就是一个测度，而空集的测度是零，但零测度集不一定是空集。

Mercy’s Condition

Kaggle-Tricks自用总结
To be a better man
11-13 334
【kaggle】特征工程 trick-优快云博客 梯度：gradient_clip_val-优快云博客数据增强：CutMix&Mixup详解与代码实战_cutmix 代码_华为云开发者联盟的博客-优快云博客Label Smoothing（标签平滑）:标签平滑（Label Smoothing）详解_ytusdc的博客-优快云博客 理论与举例，说明标签平滑有效！ (qq.com) K-fold:【Kaggle比赛常用trick】K折交叉验证、TTA_分层k折交叉验证-优快云博客
GNN Tricks《Bag of Tricks of Semi-Supervised Classification with Graph Neural Networks》
智慧的旋风的博客
04-14 836
Wang Y. Bag of Tricks of Semi-Supervised Classification with Graph Neural Networks[J]. arXiv preprint arXiv:2103.13355, 2021. 我在浏览OGB排行榜代码的时候偶然发现了一篇关于GNN的Tricks的文章，作者是DGL Team的大佬，这篇貌似还没有被会议接受，不过已经在Arxiv上preprint出来了。本文改进后的几个模型在几个OGB数据集上的表现都不错。所以就赶快拿过来看看，学.
DETR类型检测网络---思考和Tricks测试
zwhdldz的博客
05-04 1086
中,query_pos(query_embed)：预设的shape为(n,embed_dim),query：预设的shape为(n,embed_dim),reference_point:利用query_pos线性映射为shape(n,3)中是预设的query_pos shape为(n,embed_dim), 而query=zeros.shape为(n,embed_dim)query_pos(query_embed)：利用reference_point线性映射为shape(n,embed_dim)
数据竞赛Tricks集锦
Datawhale
09-18 881
点击上方“Datawhale”，选择“星标”公众号第一时间获取价值内容本文将对数据竞赛的『技巧』进行全面的总结，同时还会分享下个人对比赛方法论的思考。前者比较客观，总结了...
tricks in object-detection
To be a better man
04-20 2806
EDA的代码参考（ps，第一次看到EDA这三个字母我也是懵逼的，查了一下就是探索性数据分析（Exploratory Data Analysis，简称EDA），可能这样看起来更牛）： anchor ratio//It does work anchor详解 - 知乎 目标检测数据可视化，分析anchor_ratio的设置问题 - 知乎 目标检测数据可视化，分析anchor_ratio的设置问题_notHeadache的博客-优快云博客 目标检测之一： anchor ratio_看不见我呀的博客...
《Python Tricks: The Book》读后感与总结
weixin_42604188的博客
05-08 416
本文为《Python Tricks: The Book》的读后感与总结。该书由丹·巴德撰写，旨在帮助读者掌握Python编程中的高级技巧和最佳实践。章节内容涵盖了Python的断言、上下文管理器、字符串格式化、函数和类的高级特性等。书中不仅提供了代码示例，还有深入的解释，帮助读者理解每个技巧背后的原理。读者们普遍表示，这本书对他们的Python编程技能提升大有帮助。
登录框Tricks
Love&Share
06-28 1785
存在SQL注入的情况下，有可能使用万能密码直接登录 有超级多存在SQL注入的话直接注出账密有些可以构造用户注入登录，比如熊海cms后台登录处存在sql注入 这里万能密码起不到作用，因为他是通过用户名去数据库查密码，再进行匹配，还有一种方法非常巧妙 这是mysql的特性， 在联合查询并不存在的数据时，联合查询就会构造一个虚拟的数据，就相当于构造了一个虚拟账户，可以使用这个账户登录列举几种找未授权访问的方法使用的组件可能会出现漏洞，常用的未授权漏洞，对于端口的收集也至关重要，可以提高漏洞利用面注册用户 覆盖掉原
剖析CSS-Tricks，为我所用
淘系技术
04-18 2022
CSS-Tricks（https://css-tricks.com/）网站是一个非常优秀的网站，特别对于CSSer而言，该网站不断的在更新一些优秀的教程和技巧，为前端社区...
some useful tricks
Edward The Bunny 的博客
11-17 291
异或题思考方向：01trie树，分治 2. 二分图最大匹配，最大独立集互相转换 3. Snow 4. Code 5. Code 6. Code 7. 题目 #include<iostream> #include<cstdio> using namespace std; const int N=100010; int n,p,nxt[N],no[200]; char s[N]; int main(){ scanf("%d",&n); fo...
scaling-tricks-for-geo:关于可伸缩交互式映射
05-16
我花了一些时间思考一些软件技巧，这些技巧使我最近的交互式映射代码不那么笨重，更加模块化，并且在编写和维护时更加有趣。 最后，我将它们提取并收集到此博客文章中。 对于那些希望看到实时呼吸代码的人来说，该将...
目标检测比赛各种tricks（从技术角度出发）
weixin_45209433的博客
01-19 2555
一、Pseudo Labeling 这个链接解释Pseudo Labeling解释的很清楚，可以看一看 什么是Pseudo Labeling： Pseudo Labeling就是将测试集中，测试结果中分数很高的测试图片，加入到训练集中，再训练。 Pseudo Labeling的5个步骤： 1、使用原始训练集，训练一个模型，这里最好是比较好的模型; 2、使用该模型去测试你的测试集，这里一般是没有标签的测试集； 3、把测试集中置信度很高的图片，加入到原始的训练集中; 4、使用混合后的数据集再训练一个新的模型。
NLP paper精读（六）——Bag of Tricks for Efficient Text Classification
NLP翟
07-17 642
fastTextAbstractIntroductionModel architectureHierarchical softmaxN-gram featuresExperimentDiscussion and conclusion一点思考Reference Abstract 本文提出了一种简单高效的文本分类基线方法——fastText。实验表明效果与神经网络分类器相同的情况下，fastText的...
【 深度学习 】生成对抗网络 GAN
PANSS__的博客
12-22 736
转置卷积是一种上采样操作（考点），用于将小尺寸的特征图扩展为大尺寸的特征图。
01.需要了解的五种机器学习类型
AI算法蒋同学的博客
12-18 694
ML 是计算机科学、[数据科学]和[人工智能] (AI) 的子集，它使系统能够从数据中学习和改进，而无需额外的编程干预。ML 模型不依赖用于性能优化的显示指令，而是采用算法和统计模型，以根据数据模式和推论来部署任务。换句话说，ML 利用输入数据来预测输出，并随着新数据的出现不断更新输出。例如，在零售网站上，机器学习算法通过根据购买历史提出建议来影响消费者的购买决策。
【Python学习打卡-Day23】从重复到重用：用Pipeline和ColumnTransformer重构你的机器学习工作流
2301_76812716的博客
12-18 669
文章摘要 本文介绍了如何使用Scikit-learn的Pipeline工具优化机器学习工作流。Pipeline通过将数据预处理和模型训练封装成流水线，带来三大优势：代码简洁、防止数据泄露和简化超参数搜索。文章对比了传统手工预处理与Pipeline自动化处理的区别，详细讲解了转换器(Transformer)和估计器(Estimator)的核心概念，并以信贷违约数据集为例，展示了如何用ColumnTransformer对不同类型特征进行针对性处理，最终构建完整的Pipeline流程。这种工程化方法显著提升了代码
03.统计学机器学习
AI算法蒋同学的博客
12-18 827
本文探讨了机器学习中的统计思维基础，指出机器学习本质上是建立在统计学和概率论之上的统计过程。文章从三个核心概念展开：1）统计学作为从数据中提取洞察的科学，为机器学习提供数学基础；2）概率论作为量化不确定性的工具，是建模预测不确定性的关键；3）概率分布作为描述数据行为的数学函数，支撑着误差建模、损失函数设计等机器学习核心环节。文章强调，理解这些统计概念对于构建可靠、可解释的AI系统至关重要，它们是现代机器学习（从简单回归到复杂神经网络）的理论支柱。通过介绍描述性统计指标、概率基本概念和常见概率分布，为读者提供
机器学习（决策树）
lyx2870657588的博客
12-18 1603
决策树是一种有监督学习算法，通过构建分类规则对新样本进行预测。主要算法包括ID3（信息增益）、C4.5（信息增益率）和CART（基尼系数）。决策树通过剪枝防止过拟合，回归树模型则用于解决回归问题。随机森林作为集成学习方法，通过多棵决策树的组合提高性能，具有抗噪声能力强、不易过拟合等优点，但计算成本较高。AUC-ROC曲线是评估分类模型性能的重要指标。
从GAN到WGAN-GP：生成对抗网络的进化之路与实战详解
像风一样自由的博客
12-18 623
生成对抗网络的演进与WGAN-GP实现 本文系统梳理了GAN技术的演进历程，从原始GAN到WGAN再到WGAN-GP的改进过程。原始GAN存在训练不稳定、模式崩塌等问题，WGAN通过引入Wasserstein距离解决了梯度消失问题，而WGAN-GP进一步用梯度惩罚取代权重剪枝，使模型训练更加稳定。文章详细分析了各代GAN的数学原理和优缺点，并提供了WGAN-GP的核心PyTorch实现代码，包括梯度惩罚计算函数和训练循环示例。这些改进使生成对抗网络在图像生成等任务中表现出更稳定的训练过程和更好的生成效果。
AI大模型从0到1记录学习 大模型技术之机器学习 day60-day69
最新发布
Gsen2819的博客
12-22 684
torch.randperm(n)生成从0到n-1的随机排列，类似洗牌print()print()布尔索引print()stopwords = {“的”, “是”, “而”, “由”, “，”, “。”, “、”}definit搭建模型词嵌入层→RNN→全连接层。
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