第2章 机器学习概述-02

人工智能(AI)与机器学习(ML):塑造未来的技术引擎 人工智能是一种模拟、延伸和扩展人类智能的理论、方法、技术及应用系统。它旨在让计算机能够像人类一样思考、学习,并能在各种环境下自主地做出决策。AI的发展经历了从最初的符号主义、连接主义到如今的深度学习等多个阶段,每一次的突破都极大地推动了科技的进步。尽管AI与ML技术取得了巨大的进步,但它们仍然面临着诸多挑战。首先,数据的获取和标注是一个巨大的问题。高质量的标注数据是机器学习模型训练的关键,但数据的获取和标注往往需要耗费大量的人力和时间。其次,模型的泛化能力也是一个需要解决的问题。 阅读详情

第2章 机器学习概述(续)

2.5 机器学习算法的类型

机器学习算法有很多分类方式,但最核心的是按训练样本的信息的反馈方式划分,主要分为三类,核心区别在于“是否有标签”和“是否与环境互动”:

2.5.1 监督学习:有“答案”的学习

  • 核心特点:训练样本都带“标签”(即已知正确答案),相当于做“有答案的练习题”。
  • 训练样本:{(特征1, 标签1), (特征2, 标签2), ..., (特征N, 标签N)}(比如“(芒果特征, 甜/不甜)”“(手写数字图像, 数字5)”)。
  • 优化目标:学习特征到标签的映射(比如“黄+香→甜”“图像像素→数字类别”)或条件概率(比如“芒果是黄色的前提下,甜的概率是80%”)。
  • 细分任务:
    • 回归:标签是连续值(比如预测芒果甜度、房价、温度);
    • 分类:标签是离散类别(比如二分类“甜/不甜”、多分类“数字0-9”);
    • 结构化学习:标签是结构化对象(比如序列、树,比如“句子→句法树”“图像→分割区域”)。

2.5.2 无监督学习:找“规律”的学习

  • 核心特点:训练样本没有标签,相当于做“没答案的练习题”,需要自己找数据中的隐藏规律。
  • 训练样本:{特征1, 特征2, ..., 特征N}(比如一堆没标注的芒果特征、一堆无分类的文本)。
  • 优化目标:学习数据的分布(比如“芒果分为甜、酸、淡三类”)或隐含结构(比如“文本按主题聚类”)。
  • 典型任务:聚类(分组)、密度估计(统计数据分布)、特征学习(自动提取有效特征)、降维(简化特征但保留关键信息)。

2.5.3 强化学习:靠“奖励”的学习

  • 核心特点:智能体(比如机器人、游戏AI)通过和环境互动学习,没有固定标签,只有“奖励”或“惩罚”(比如游戏得分、碰撞惩罚)。
  • 训练样本:智能体和环境互动的轨迹+累积奖励(比如“游戏操作序列→得分”“机器人移动序列→任务完成奖励”)。
  • 优化目标:最大化长期累积奖励(比如玩游戏拿最高分、机器人高效完成任务)。
  • 关键区别:不是“被动学数据”,而是“主动做决策”,适合连续决策场景(比如自动驾驶、机器人导航)。

三类学习的核心对比

类型训练样本优化目标学习准则
监督学习带标签的“输入-输出对”学习 (y=f(x)) 或 (p(y|x))期望风险最小化、最大似然估计
无监督学习无标签的输入数据学习 (p(x)) 或带隐变量的 (p(x|z))最大似然估计、最小重构错误
强化学习互动轨迹+累积奖励最大化期望总回报策略评估、策略改进

补充:弱监督与半监督学习

  • 监督学习需要大量标注数据(成本高),无监督学习完全无标签(学习难度大),因此衍生出:
    • 半监督学习:少量有标签数据+大量无标签数据,结合两者优势;
    • 弱监督学习:标签不完整(比如部分样本无标签)或不精确(比如模糊标签),降低标注成本。

2.6 数据的特征表示

机器学习模型通常要求输入是“可计算的向量”,但现实数据是多样的(图像、文本、音频),因此需要先将原始数据转换成特征向量——这一步直接影响模型效果。

2.6.1 不同类型数据的特征表示

(1)图像数据
  • 简单表示:直接将图像像素值组成向量(比如100×100的灰度图→10000维向量,每个元素是像素灰度值);
  • 增强表示:额外加入手工设计的特征(比如边缘、纹理、直方图、宽高比),提升模型准确率。
(2)文本数据
  • 词袋模型(BoW):把文本看作“词的集合”,忽略词序。比如文本“我喜欢读书”“我讨厌读书”,词表是{我, 喜欢, 讨厌, 读书},则特征向量分别为[1,1,0,1]、[1,0,1,1];
  • N元特征:解决词袋模型忽略词序的问题,比如二元特征(两个连续词),“我喜欢读书”的二元特征包括“我喜欢”“喜欢读书”,特征向量维度会增加,但能捕捉更多信息;
  • 缺点:文本特征维度容易过高(十万甚至百万级),且手工设计的特征泛化能力差。

2.6.2 特征学习:从“人工设计”到“自动学习”

原始特征往往有缺陷(单一、冗余、带噪声),因此需要“特征学习”——提取有效、稳定的特征,分为两类:

(1)传统特征学习(人工主导)

核心是“人工设计准则,手动或半手动选特征”,分为两种:

  • 特征选择:从原始特征中选一个有效子集(比如选“颜色”“产地”,去掉“芒果形状”这种无关特征),方法包括贪心搜索(前向加特征、反向删特征)、L1正则化(让无用特征的权重为0);
  • 特征抽取:将原始特征投影到新的低维空间(比如主成分分析PCA、线性判别分析LDA),减少冗余和噪声。
(2)深度学习方法(自动学习)

传统特征学习的问题是“特征学习和预测模型分开训练”(比如先用人手抽特征,再训练分类器),可能导致准则不一致。

  • 深度学习的优势:端到端学习——将特征学习和预测任务整合到一个模型中,自动学习从原始数据到高层特征的映射,不用人工干预;
  • 核心解决:贡献度分配问题(通过神经网络的反向传播,自动确定每个特征转换步骤的重要性)。

2.6.3 核心对比

特征学习方式核心特点优势缺点
传统方法人工设计准则,分开训练解释性强,计算量小依赖专家经验,泛化差
深度学习自动学习,端到端训练无需人工干预,泛化强需大量数据,计算量⼤

2.7 评价指标

训练好模型后,需要用“评价指标”判断其好坏——核心是用测试集检验模型的泛化能力,不同任务的评价指标不同,这里重点讲分类问题的核心指标。

2.7.1 基础指标:准确率与错误率

  • 准确率(Accuracy):测试集中预测正确的样本占比(比如100个测试样本,85个预测对,准确率85%);
  • 错误率(Error Rate):1-准确率(比如上面的错误率15%);
  • 适用场景:样本类别分布均衡(比如正例、负例各占50%),简单直观,但类别不均衡时会误导(比如99%是负例,模型全预测负例,准确率99%但毫无意义)。

2.7.2 关键指标:精确率、召回率与F值

当类别不均衡时(比如疾病诊断中,患病样本仅1%),需要更精细的指标,核心基于“混淆矩阵”:

  • 真正例(TP):真实是正例,预测也是正例(比如真患病,预测患病);
  • 假负例(FN):真实是正例,预测是负例(比如真患病,预测未患病——漏诊);
  • 假正例(FP):真实是负例,预测是正例(比如未患病,预测患病——误诊);
  • 真负例(TN):真实是负例,预测也是负例(比如未患病,预测未患病)。

基于混淆矩阵,定义三个核心指标:

  1. 精确率(Precision,P):预测为正例的样本中,真正是正例的比例(比如预测患病的10人中,8人真患病,精确率80%);
    • 公式:P=TPTP+FPP = \frac{TP}{TP+FP}P=TP+FPTP​;
    • 关注“预测对的质量”(避免误诊)。
  2. 召回率(Recall,R):真实是正例的样本中,被预测为正例的比例(比如10个真患病的人,8人被预测出来,召回率80%);
    • 公式:R=TPTP+FNR = \frac{TP}{TP+FN}R=TP+FNTP​;
    • 关注“不能漏诊”(比如疾病诊断、安全检测中,召回率优先)。
  3. F值(F-Measure):精确率和召回率的调和平均,平衡两者(避免一个高一个低);
    • 常用F1值(β=1,两者权重相等):F1=2×P×RP+RF1 = \frac{2×P×R}{P+R}F1=P+R2×P×R​;
    • 若需要侧重召回率(比如漏诊代价高),可增大β;侧重精确率(比如误诊代价高),可减小β。

2.7.3 多分类指标:宏平均与微平均

多分类问题(比如分类数字0-9)需要计算所有类别的整体性能,分两种平均方式:

  • 宏平均(Macro Average):先算每个类的精确率/召回率/F1,再求算术平均;
    • 特点:对所有类别一视同仁,适合类别分布均衡的场景;
  • 微平均(Micro Average):先统计所有类的总TP、FP、FN,再计算精确率/召回率/F1;
    • 特点:受样本多的类别影响大,适合类别分布不均衡的场景(比如少数类样本少,宏平均更关注少数类性能)。

2.7.4 其他评价方法

  • 交叉验证(Cross-Validation):避免训练集/测试集划分的随机性影响,比如K折交叉验证(将数据分成K份,轮流用K-1份训练、1份验证,最后取平均误差);
  • 曲线评价:ROC曲线(衡量模型在不同阈值下的区分能力)、AUC值(ROC曲线下面积,越大越好)、PR曲线(精确率-召回率曲线,适合类别不均衡);
  • 任务专属指标:比如Top-N准确率(预测结果的前N个中包含正确答案的比例,适合推荐系统)。

2.8 理论和定理

机器学习有几个核心理论,能帮你理解“为什么这样设计模型”“为什么没有万能算法”,不用死记公式,重点掌握核心思想:

2.8.1 PAC学习理论:模型能“学好”的前提

  • 核心思想:机器学习不需要学出“100%正确”的模型,只需要“大概率近似正确”(Probably Approximately Correct,PAC);
  • 关键结论:
    • 模型越复杂(假设空间越大),需要的训练样本越多(否则泛化能力差);
    • 要让模型泛化好,要么简化模型,要么增加训练数据;
  • 实际意义:解释了“为什么简单模型泛化稳”“为什么大数据能支撑复杂模型”。

2.8.2 没有免费午餐定理:没有万能算法

  • 核心思想:不存在一种“在所有问题上都最优”的机器学习算法;
  • 通俗理解:一个算法在A任务上表现好,在B任务上可能不如随机算法;
  • 实际意义:选择算法时必须结合具体任务(比如图像任务用卷积神经网络,序列任务用循环神经网络),不能盲目跟风“最好的算法”。

2.8.3 奥卡姆剃刀原理:简单的模型更优

  • 核心思想:“如无必要,勿增实体”——如果两个模型的性能相近,优先选更简单的那个;
  • 机器学习中的体现:正则化(比如L2正则化让模型参数更小,更简单)、优先用线性模型而非复杂非线性模型;
  • 原因:简单模型的泛化能力更强,不容易过拟合。

2.8.4 丑小鸭定理:相似性是主观的

  • 核心思想:“丑小鸭与白天鹅的区别,和两只白天鹅的区别一样大”——世界上没有“客观的相似性标准”,相似性由人的主观需求定义;
  • 实际意义:特征选择和模型设计必须结合任务需求(比如“判断是否是同一类水果”,按颜色还是按形状,取决于任务目标)。

2.8.5 归纳偏置:模型的“先验假设”

  • 核心思想:机器学习算法在学习时,都会隐含一些“先验假设”(比如最近邻分类器假设“特征空间中近的样本是同一类”,朴素贝叶斯假设“特征之间独立”);
  • 实际意义:归纳偏置是算法能从有限数据中学习的关键,但偏置不对会导致模型性能差(比如用“线性模型”学习非线性数据,偏置错误)。

2.9 总结和深入阅读

2.9.1 核心总结

  • 机器学习的本质:从有限数据中学习泛化规律,核心三要素是“模型、学习准则、优化算法”;
  • 关键逻辑:数据→特征表示→模型训练(优化准则)→评价指标检验泛化能力;
  • 核心矛盾:模型复杂度与泛化能力的平衡(用正则化、交叉验证等方法解决);
  • 重要区分:监督(有标签)、无监督(无标签)、强化学习(互动奖励)的适用场景,以及传统特征学习与深度学习的差异(端到端vs人工设计)。

2.9.2 深入阅读推荐

如果想系统掌握机器学习的理论和方法,推荐以下资料:

  • 经典教材:《机器学习》(周志华,“西瓜书”)、《统计学习方法》(李航)、《Pattern Recognition and Machine Learning》(Bishop);
  • 统计学习深入:《The Elements of Statistical Learning》(Hastie等,“统计学习圣经”);
  • 表示学习综述:Bengio等人2013年的《Representation Learning: A Review and New Perspectives》;
  • 理论基础:《Statistical Learning Theory》(Vapnik,PAC学习理论的核心著作)。
【AI】用iOS的ML(机器学习)创建自己的AI App 在机器学习中,一切都始于模型,这是进行预测或识别的系统。教计算机学习涉及使用训练数据的机器学习算法进行学习。从训练中生成的输出通常称为机器学习模型。有不同类型的机器学习模型来解决同一个问题(例如对象识别),但使用不同的算法。是其中一些机器学习算法。 阅读详情

相关推荐

Spark 2.0 机器学习 ML 库:常见的机器学习模型(Scala 版)

一、前言 机器学习中,人为地设计算法,需要一定的知识积淀。 而使用别人设计好的机器学习库如 Spark 2.0 ML,那是基本不需要什么基础的,开箱即用。 首先,看一个简单、完整、规范的案例,无疑是最好的方式。 之前的文章(内含短小精悍的案例): Spark 2.0 机器学习 ML 库:特征提取、转化、选取(Scala 版) Spark 2.0 机器学习 ML 库:机器学...

IT小村 1万+

【Designing ML Systems】第 1 章 :机器学习系统概述

2016 年 11 月,谷歌宣布将其多语言神经机器翻译系统整合到谷歌翻译中,标志着深度人工神经网络在大规模生产中的首批成功案例之一。1据 Google 称,通过此次更新,翻译质量的一次飞跃提升幅度超过了过去 10 年的总和。深度学习的这种成功更新了对机器学习 (ML) 的广泛兴趣。从那时起,越来越多的公司转向机器学习来解决他们最具挑战性的问题。在短短五年内,机器学习几乎进入了我们生活的方方面面:我们如何获取信息、我们如何沟通、我们如何工作、我们如何找到爱。ML 的传播是如此之快,以至于已经很难想象没有它的生

sikh_0529的博客 1807

在 Azure ML 上用 .NET 跑机器学习

.NET ML 你在用了吗?

Kinfey 4437

Unity 机器学习(ML-Agents) 基础

Unity 机器学习 ML-Agents 基础Unity 官方示例下载ML-Agents 部分Python 下载AnacondaAnaconda 虚拟环境构建 ML-Agents安装 ML-Agents Python 包安装 ML-Agents 包ML-Agents 入门指南Unity Hub 部分虚拟环境 训练虚拟环境 训练运行:虚拟环境 开始训练:虚拟环境 观察训练进度:虚拟环境 停止训练虚拟环境 恢复训练虚拟环境 训练模型ML-Agents 打造新的学习环境ML-Agents 资产导入 Unity 官

Maddie_Mo的博客 1万+

机器学习概述

在市场变动不会太大的时候,来预测未来这一领域可能发生的事情,例如股票涨跌,房价增幅等等。人工智能的三大概念分为:人工智能(AI)、机器学习(ML)和深度学习(DL)。A)实现人工智能的方法很多,其中机器学习是实现人工智能一种途径、一种方法。D)机器学习就是基于模型自动学习事物特征,而不是程序员手工的编写规则。B)广义上深度学习是从机器学习发展而来的,两者有区别还有联系。C)深度学习方法是大脑仿生,深度学习方法从机器学习发展而来。1. 知道AI,ML,DL是什么?机器学习是实现人工智能的一种途径。

m0_74783475的博客 1397

人工智能AI 与 机器学习ML 的关键区别

人工智能(AI)是指计算机系统能够执行通常需要人类智能才能完成的任务。包括理解自然语言、识别图像、解决复杂问题和做出决策。AI的目标是创建能够模仿或超越人类智能的系统。弱人工智能(弱AI):也称为窄AI,专注于特定任务。例如,语音助手(如Siri和Alexa)和推荐系统(如Netflix和Amazon的推荐算法)。强人工智能(强AI):也称为通用AI,具有执行任何人类智能任务的能力。目前,强AI仍处于理论阶段,尚未实现。机器学习(ML)是人工智能的一个子领域。

王教主的博客 5944

【机器学习】机器学习工程实战-第1章 概述

标量(scala)一个简单的数值,如15或-3.25。取标量值的变量或常量用斜体字母表示,如x或a。向量(vector)是一个有序的标量值列表,这些值称为属性。向量可以用可视化的方式表示为箭头,指向某种方向,以及多维空间中的点。二维向量举例:a = [2,3] , b = [-2,5] , c = [1,0]我们想向量的一个属性表示为一个带索引的值,比如w(i)或x(j)。索引j表示一个向量的特定维度(dimension),即属性在列表中的位置。例如向量a中,a(1)=2,a(2)

weixin_43416960的博客 1366

用 ML.NET 开发智能应用:让 .NET 程序员轻松掌握机器学习

ML.NET是一个由微软开发的开源跨平台机器学习框架,专为 .NET 开发者设计,允许他们在不离开 C# 或 F# 编程语言的情况下,进行机器学习建模和应用。通过 ML.NET,开发者无需学习 Python 或深度学习框架的复杂操作,就能在其现有的 .NET 应用中集成强大的机器学习功能。ML.NET 支持各种机器学习任务,包括分类、回归、聚类、推荐、异常检测、自然语言处理等。无论是开发企业级应用、Web 应用,还是桌面应用,ML.NET 都能为你的项目带来智能化提升。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 3871

【ML on Kubernetes】第 1 章:机器学习的挑战

人工智能是一个涵盖任何可以取代人类的基本、基于规则的代理系统的广泛主题运算符、ML 和 DL。但是机器学习单独是另一个广泛的主题。它涵盖了几种算法,从基本的线性回归到非常深度卷积神经网络(CNN)。在传统编程,无论我们使用哪种语言或框架,开发和构建应用程序的过程都是相同的。相比之下,ML 有各种各样的算法,有时,它们需要完全不同的方法来利用和构建模型。例如,生成对抗网络(GAN),它是一种用于许多用于生成假人脸的创造性 ML 模型的训练方式与基本决策树模型不同。

sikh_0529的博客 1979

1. spark ML概述

ML组件ML的标准API使用管道(pipeline)这样的方式,可以将多个算法或者数据处理过程整合到一个管道或者一个流程里运行,其中包含下面几个部分: 1. dataFrame:用于ML的dataset,保存数据 2. transformer:将一个dataFrame按照某种计算转换成另外一个dataFrame,例如把一个包含特征的dataFrame通过模型预测,生成一个包含特征和预测的data

超级小蕉蕉的博客 2660

ML4T工作流程:从ML模型到策略回测(交易中的机器学习)

除了大量活跃的个人交易者社区,也有几家银行和交易公司使用backtrader来原型和测试新策略,然后将其移植到生产就绪的平台,如Java。例如,您可以使用我们在本书中遇到的scikit-learn等通用ML库设计和测试生成信号的ML模型,并将模型输出输入单独的回测引擎。这些对象相互作用,以便于输入数据的处理和因子计算,制定和执行策略,接收和执行订单,以及跟踪和度量业绩。简单地说,回测引擎遍历历史价格(和其他数据),将当前值传递给您的算法,收到订单作为回报,并跟踪所得仓位及其价值。

weixin_41908924的博客 1611

ML-Agents 概述

总的来说,我们提供了 3 种训练方法:BC、GAIL 和 RL(PPO 或 SAC),这些方法可以单独使用,也可以结合使用。BC 可以单独使用,也可以作为 GAIL 和(或) RL 之前的预训练步骤GAIL 可以与外部奖励一起使用,也可以单独使用RL 可以单独使用(PPO 或 SAC),也可以与 BC 和(或) GAIL 结合使用。利用 BC 或 GAIL 需要记录演示作为训练算法的输入。

m0_58988991的博客 1782

机器学习ML.NET

是用于 .NET 的跨平台开源机器学习 (ML) 框架。ML.NET 允许开发人员在其 .NET 应用程序中轻松构建、训练、部署和使用自定义模型,而无需开发机器学习模型的专业知识或使用 Python 或 R 等其他编程语言的经验。该框架提供从文件和数据库加载数据,支持数据转换,并包含许多 ML 算法。借助 ML.NET,您可以针对(如分类、预测和异常检测)训练模型。您还可以在 ML.NET 中使用 TensorFlow 和 ONNX 模型,这使得框架更具可扩展性,并扩展了支持的方案数量。

A_nanda的博客 5560

【Spark ML】第 1 章:机器学习简介

AI、机器学习和深度学习之间的关系深度学习在2000年代中期的复兴使人们重新关注人工智能和机器学习的连接主义方法。深度学习的复兴,高速图形处理单元(GPU)的可用性,大数据的出现以及来自谷歌,Facebook,亚马逊,微软和IBM等公司的投资创造了一场完美的风暴,推动了人工智能的复兴。 在过去的十年中,机器学习取得了一系列惊人的进步。这些突破正在扰乱我们的日常生活,并在您能想到的几乎每个垂直领域产生影响。这绝不是机器学习用例的详尽列表,但它表明了每个行业正在发生的许多创新。零售业是最早获得机器学习好处的行业

sikh_0529的博客 2596

centos7 python3.12.1 报错 No module named _ssl,坑我几个小时

网上的教程很多,但几乎是无效的,跟着我这教程,可以完美解决。

Amio_的博客 1万+

耕地质量评价软件实操指南:如何用Excel+ArcGIS一键生成土壤普查报告(附避坑技巧)

本文提供了一套融合Excel数据处理与ArcGIS空间分析的耕地质量评价实战工作流。详细讲解了从数据规范化预处理、高效数据桥接,到在ArcGIS中实现指标评分、综合指数计算与等级划分的全流程,旨在帮助土壤普查工作者大幅提升报告生成效率与准确性,并分享了关键的避坑技巧。

weixin_28455801的博客 496

ML.NET 机器学习实用指南(一)

机器学习(ML)在许多行业中得到广泛应用,如科学、医疗保健和研究,其受欢迎程度仍在不断增长。2018 年 3 月,微软推出了 ML.NET,以帮助.NET 爱好者与机器学习(ML)进行工作。通过这本书,你将探索如何使用 C#代码构建 ML.NET 应用程序,并使用各种 ML 模型。本书首先为你概述了机器学习和使用的 ML 算法类型,同时介绍了 ML.NET 是什么以及为什么需要它来构建 ML 应用程序。然后,你将探索 ML.NET 框架、其组件和 API。本书将作为一本实用指南,帮助你使用 ML.NET 库

龙哥盟 3036

基于51单片机的智能花盆灌溉系统设计与实现

本文详细介绍了基于51单片机的智能花盆灌溉系统设计与实现,通过DS18B20温度传感器、土壤湿度传感器和LCD1602显示屏等硬件模块,结合精确的算法控制,实现自动监测与灌溉。系统解决了传统灌溉依赖定时器、缺乏可视化界面的问题,适合上班族、园艺爱好者和植物园工作人员使用,有效提升植物养护效率。

honey的博客 1017

OpenStack Neutron ML2

Neutron 系列文章 Neutron Topic Tree: 本文所有的内容都基于OpenStack Pike版本。其实在2016年,我曾经在IBM Developerworks上写过一篇文章介绍Neutron ML2。现在,在经历了OVN和Dragonflow的ML2重构之后,现在再来回顾一下ML2。首先,什么是ML2?ML2(Modular Layer 2)是Neutron Server...

weixin_41158656的博客 1528

PythonOCC基础使用:建模——倒角倒圆(二维+三维)

占坑

weixin_42755384的博客 4639

Android11 关于三方应用获取su权限

SELinux,全称Security-Enhanced Linux,是一种基于Linux内核的安全机制。它通过强制访问控制(MAC)来增强Linux系统的安全性,如果不禁用SELinux,完成下面的修改可能会导致设备进入Recovery界面!adb shell getenforce 为Permissive(宽容模式),查看报错日志,发现是客户apk想使用su命令提权,但是没有权限!对于保护系统资源和防止未经授权访问非常有帮助!系统这边做修改,让su权限下放到三方应用.客户的apk运行报错。

sinat_37429535的博客 1906

【Designing ML Systems】第 2 章 :机器学习系统设计简介

既然我们已经浏览了现实世界中 ML 系统的概述,我们就可以开始实际设计 ML 系统的有趣部分了。重申第一章,ML 系统设计采用系统方法来处理 MLOps,这意味着我们将整体考虑 ML 系统,以确保所有组件——业务需求、数据堆栈、基础设施、部署、监控等.—和他们的利益相关者可以一起工作以满足指定的目标和要求。我们将从对目标的讨论开始本章。在我们开发机器学习系统之前,我们必须了解为什么需要这个系统。如果这个系统是为企业构建的,它必须由业务目标驱动,需要将其转化为 ML 目标,以指导 ML 模型的开发。一旦每个人

sikh_0529的博客 1215

CentOS7上装不了最新Chrome?别折腾依赖了,试试这个老版本安装法(附103.0.5060.24 beta下载地址)

本文提供了在CentOS7上安装兼容版Chrome的详细指南,解决了因GLIBC版本限制导致的最新版Chrome无法安装的问题。推荐使用Chrome 103.0.5060.24 beta版本,并附有下载地址和完整安装步骤,包括禁用自动更新和配套工具安装,确保系统稳定性和功能完整性。

weixin_29289821的博客 571

AIDE ML — 机器学习工程代理

AIDE 算法是一个树搜索代理,能够自主地编写、调试和测试代码,直到用户定义的指标达到最大值。由 LLM 驱动的代理,能够编写、评估和改进机器学习代码。知道还有其他引用或衍生自 AIDE 的公共项目吗?提示:使用完全本地化的模型时,性能可能会有所下降。使用侧边栏粘贴您的 API 密钥,上传数据,设置。用户界面显示实时日志、解决方案树和最佳代码。使用的Python 包的形式发布,并包含。智能体使用数据集,并用通俗易懂的英语描述。完全本地化(代码+评估器——无外部调用)替换新的搜索启发式方法、评估器。

具身机器人和通用AI 4042

手把手教你学Simulink--基于Simulink的机械臂工业装配任务仿真建模

特点高精度要求:装配过程通常需要非常高的位置精度。多步骤操作:一个完整的装配任务可能包含多个连续的子任务,如抓取零件、移动到特定位置、装配等。动态环境:工作环境可能是动态变化的,例如其他机器人或人员在同一空间内工作。挑战复杂性管理:需要处理复杂的运动学和动力学问题,以及可能的碰撞避免。实时性:某些应用场景下需要快速响应以保证生产效率。集成度:需要与其他系统(如传感器、PLC等)无缝集成。首先明确要模拟的装配任务内容。零件的位置和尺寸。装配顺序。

MHD0815的博客 240

Jetson Thor平台JP7.0版本96712 GMSL相机驱动调试记录

摘要:本文档记录了在Thor Custom Board (JP7.0GA)上配置GMSL摄像头时遇到的视频流问题及调试过程。问题表现为视频设备(/dev/video11)能正常创建,但获取视频时出现"Internal data stream error",而相同配置在AGX Orin JP6.0上运行正常。通过梳理硬件拓扑、v4l2-ctl测试、提升时钟频率及分析内核日志,发现VI引擎未接收到帧数据包。调试步骤包括检查设备树冲突、调整I2C总线配置、修正通道名称,最终通过屏蔽传感器启动时

jzwjzw19900922的博客 1113
上一篇: 第2章 机器学习概述-01
下一篇: 第3章 线性模型
「已注销」
博客等级 码龄1年 312粉丝 132原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

打赏作者

「已注销」

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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