<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Engineering_的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Engineering_</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Engineering_]]></copyright><item><title><![CDATA[科研全流程AI提示词宝典从科研小白到独立PI的智能助手]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/158383716</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/158383716</guid><author>Engineering_</author><pubDate>Wed, 25 Feb 2026 12:37:09 +0800</pubDate><description><![CDATA[涵盖选题、文献、实验、写作、投稿全流程
理工科、人文社科、交叉学科全覆盖
1000+实用提示词模板，即查即用]]></description><category></category></item><item><title><![CDATA[二）PyTorch入门基础串讲（二）]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/130071585</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/130071585</guid><author>Engineering_</author><pubDate>Mon, 10 Apr 2023 22:32:13 +0800</pubDate><description><![CDATA[这里的Q虽然是n×n的，但是当把Q的特征值从大到小排列会发现里边有些数是非常小的，这些维度的能量小，很可能是造成，这些特征就可以。matplotlib里，用户绘图可以通过plt这个对象来绘图，在visdom中，同样需要一个绘图对象，我们通过。使用序列的方法完成对网络的定义，串联起来或者采用字典的结构，类似sklearn中的pipline。完成对模型的保存和加载，比如网络要迭代10万次，我们要每1万次保存参数，用以上的方法。dropout在训练和推理时的参数是不一样的，因此训练和推理时要指定不同的参数。]]></description><category></category></item><item><title><![CDATA[二）PyTorch入门基础串讲（一）]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/130071569</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/130071569</guid><author>Engineering_</author><pubDate>Mon, 10 Apr 2023 22:32:08 +0800</pubDate><description><![CDATA[1，机器学习中的分类与回归问题输入变量与输出变量均为连续变量的问题称为回归问题输出变量为有限个离散变量的预测问题是分类问题样本（特征和数量），模型，训练（获得参数），推理（计算标签），测试（评价模型）2，Tensor与机器学习3，Tensor的基本定义4，Tensor的创建注意创建张量，圆括号里必须是是list，也就是最外围一定有个方括号，二维张量就是方括号套着方括号，俩层。不加方括号的话就是创建一个size的张量：这些值都是初始化的随机的值，或者是当前内存中的值随机生成的数是在[0,1)区间。]]></description><category></category></item><item><title><![CDATA[一）pytorch框架与环境搭建]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/130071542</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/130071542</guid><author>Engineering_</author><pubDate>Mon, 10 Apr 2023 22:30:52 +0800</pubDate><description><![CDATA[初学，科研项目，研究算法等建议使用pytorch；如果是要做大的工程项目，需要考虑资源消耗，最好使用tensorflow。静态图：先搭建好计算图，后运行；允许编译器进行优化。静态图的问题就是代码编程复杂，调试不直观。（但tensorflow2集成了keras应该会简单许多）需要补充线性代数，优化理论，机器学习以及深度学习的基础。1，Ubuntu 16.04注意事项。本课程：聚焦实操+工程+学术探讨。2，CUDA/cuDNN注意事项。一，初识pytorch框架。动态图：编好程序即可执行。]]></description><category></category></item><item><title><![CDATA[end)继续学习机器学习]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/130009927</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/130009927</guid><author>Engineering_</author><pubDate>Fri, 07 Apr 2023 13:14:23 +0800</pubDate><description><![CDATA[5）对于数学类的建模，太过于偏数学，一般不会在机器学习的范围中。最典型的一些数学建模方法，就是随机过程中涉及的模型，比如HMM在语音识别中的应用，或者对时序数据的建模等。1）首先要掌握数据操作的方式。在之前的机器学习中，主要用的是numpy，但是在真实的数据处理阶段，使用pandas会更加方便。而以上（笔记中所有的）的传统机器学习算法都是这些算法的基石。真正应用的机器学习，数据处理是非常重要的部分，实际中没有完美的数据样本，因此对数据的预处理非常重要。，但其实在一般的机器学习竞赛中，深度学习的使用并不多。]]></description><category></category></item><item><title><![CDATA[（十二）集成学习与随机森林]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/130009903</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/130009903</guid><author>Engineering_</author><pubDate>Fri, 07 Apr 2023 13:10:51 +0800</pubDate><description><![CDATA[因此在ada-boosting中，他会认为有一些数据点是重要的，另外一些不重要，之后从一个子模型延申出很多的子模型，这些子模型看的是同样的数据样本点，只不过他们对数据点赋予的权重是不同的，这样就形成了差异性，最后再让这些子模型综合投票进行预测。极其随机的随机森林，决策树在节点划分上，使用随机的特征和随机的阈值，提供额外的随机性，抑制过拟合（随机取数据使得大多数子模型不会被几个数据带偏），但是增大了bias（增大偏差，抑制方差），并且这个方式还会增加训练速度（相较于随机森林）]]></description><category></category></item><item><title><![CDATA[（十一）决策树]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/129933197</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/129933197</guid><author>Engineering_</author><pubDate>Mon, 03 Apr 2023 16:36:26 +0800</pubDate><description><![CDATA[e = p_l * entropy(y_l) + p_r * entropy(y_r) #总信息熵是加权平均。dt_clf3 = DecisionTreeClassifier(min_samples_split=10) #至少要多少样本数据才进行拆分。X2_l, X2_r, y2_l, y2_r = split(X1_r, y1_r, best_d2, best_v2) #第二次划分。X1_l, X1_r, y1_l, y1_r = split(X, y, best_d, best_v) #第一次划分。]]></description><category></category></item><item><title><![CDATA[（十）支撑向量机SVM]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/129866629</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/129866629</guid><author>Engineering_</author><pubDate>Thu, 30 Mar 2023 21:00:53 +0800</pubDate><description><![CDATA[svc = LinearSVC(C=1e9) #这里的C在SVM前，C越大，容错程度越小，偏向HardMargin。y = np.array((x >= -2) & (x ]]></description><category></category></item><item><title><![CDATA[（九）评价分类结果]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/129823748</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/129823748</guid><author>Engineering_</author><pubDate>Tue, 28 Mar 2023 20:06:53 +0800</pubDate><description><![CDATA[这就好比在医院看病，我们主要症状可能是发烧，此时，我们的主要异常指标是“温度”，所以我们主要尝试使用可以“降温”的治疗手段，但这不代表我们在治疗的过程中对其他指标不管不顾，只要把温度降到正常水平就可以了。同理，在医院的患者诊断系统中，我们如果希望，即使患者有10%的患癌风险，我们也将其判定为患癌，那么就可以调低阈值，这样可以看到比较高的召回率，但精准率就会下降。，把股票上升作为1，我们做的所有分类为1的预测中，有多少是预测准确的，对应股票预测就是所有分类中，预测的股票上升的情况里，有多少是真的上升。]]></description><category></category></item><item><title><![CDATA[（八）逻辑回归]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/129800730</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/129800730</guid><author>Engineering_</author><pubDate>Mon, 27 Mar 2023 18:13:14 +0800</pubDate><description><![CDATA[逻辑回归原理及算法实现]]></description><category></category></item><item><title><![CDATA[（六）PCA与梯度上升法]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/129715318</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/129715318</guid><author>Engineering_</author><pubDate>Wed, 22 Mar 2023 17:42:40 +0800</pubDate><description><![CDATA[PCA与梯度上升]]></description><category></category></item><item><title><![CDATA[（七）多项式回归于模型泛化]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/129715223</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/129715223</guid><author>Engineering_</author><pubDate>Wed, 22 Mar 2023 17:39:30 +0800</pubDate><description><![CDATA[多项式回归于模型泛化]]></description><category></category></item><item><title><![CDATA[（五）梯度下降法]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/129407466</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/129407466</guid><author>Engineering_</author><pubDate>Wed, 08 Mar 2023 17:14:05 +0800</pubDate><description><![CDATA[梯度下降法，随机梯度下降]]></description><category></category></item><item><title><![CDATA[（四）线性回归法]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/129402576</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/129402576</guid><author>Engineering_</author><pubDate>Wed, 08 Mar 2023 14:21:15 +0800</pubDate><description><![CDATA[个人笔记，如有错误，感谢指正]]></description><category></category></item><item><title><![CDATA[（三）最基础的分类算法-k邻近算法 KNN]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/129402477</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/129402477</guid><author>Engineering_</author><pubDate>Wed, 08 Mar 2023 14:13:10 +0800</pubDate><description><![CDATA[最基础的分类算法-k邻近算法 KNN。个人笔记，如有错误，感谢指出]]></description><category></category></item><item><title><![CDATA[（二）Jupyter Notebook, numpy, matplotlib的使用]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/129402390</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/129402390</guid><author>Engineering_</author><pubDate>Wed, 08 Mar 2023 14:10:02 +0800</pubDate><description><![CDATA[Jupyter Notebook, numpy, matplotlib的使用.个人笔记，如有错误，感谢指出]]></description><category></category></item><item><title><![CDATA[（一）机器学习基础]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/128501979</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/128501979</guid><author>Engineering_</author><pubDate>Sat, 31 Dec 2022 00:06:31 +0800</pubDate><description><![CDATA[python3入门机器学习笔记]]></description><category></category></item><item><title><![CDATA[（六）Java数组]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/128457912</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/128457912</guid><author>Engineering_</author><pubDate>Tue, 27 Dec 2022 16:25:08 +0800</pubDate><description><![CDATA[慕课网Java工程师学习笔记]]></description><category></category></item><item><title><![CDATA[（五）Java循环结构]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/128443179</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/128443179</guid><author>Engineering_</author><pubDate>Mon, 26 Dec 2022 13:19:42 +0800</pubDate><description><![CDATA[慕课网Java工程师学习笔记]]></description><category></category></item><item><title><![CDATA[（四）Java选择结构]]></title><link>https://blog.youkuaiyun.com/Engineering_/article/details/128376170</link><guid>https://blog.youkuaiyun.com/Engineering_/article/details/128376170</guid><author>Engineering_</author><pubDate>Mon, 19 Dec 2022 18:24:31 +0800</pubDate><description><![CDATA[慕课网Java工程师学习笔记]]></description><category></category></item></channel></rss>