<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[EricYoung的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Eric___Young</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Eric___Young]]></copyright><item><title><![CDATA[Mac mini M4 搭建开发环境]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/144096386</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/144096386</guid><author>Eric___Young</author><pubDate>Wed, 04 Dec 2024 19:10:32 +0800</pubDate><description><![CDATA[使用国内镜像源$(curl-fsSL执行source /Users/ericyoung/.zprofile 生效brew config 查看配置。]]></description><category></category></item><item><title><![CDATA[数据挖掘入门-Task04-建模调参总结]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/105231465</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/105231465</guid><author>Eric___Young</author><pubDate>Tue, 31 Mar 2020 20:46:08 +0800</pubDate><description><![CDATA[了解常用的机器学习模型，并掌握机器学习模型的建模与调参流程。]]></description><category></category></item><item><title><![CDATA[数据挖掘入门-Task03-特征工程总结]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/105168089</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/105168089</guid><author>Eric___Young</author><pubDate>Sat, 28 Mar 2020 20:57:27 +0800</pubDate><description><![CDATA[2、特征工程（最重要的一环）
目标
对于特征进行进一步分析，并对于数据进行处理
内容：
常见的特征工程：
1、异常处理：

通过箱线图（或 3-Sigma）分析删除异常值；
BOX-COX 转换（处理有偏分布）；
长尾截断；

2、特征归一化/标准化：

标准化（转换为标准正态分布）；
归一化（转换到 [0,1] 区间）；
针对幂律分布，可以采用公式：
????????????[(1+????)/( 1 + ????????????????????????...]]></description><category></category></item><item><title><![CDATA[数据挖掘入门-Task02-EDA:数据探索分析总结]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/105077324</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/105077324</guid><author>Eric___Young</author><pubDate>Tue, 24 Mar 2020 17:55:05 +0800</pubDate><description><![CDATA[EDA：数据探索性分析
0 一般问题评价指标说明
0.1评估指标即是我们对于一个模型效果的数值型量化。（有点类似与对于一个商品评价打分，而这是针对于模型效果和理想效果之间的一个打分）
0.2分类算法常见的评估指标如下：


二类分类器/分类算法

评价指标主要有accuracy， [精准率（Precision）和召回率（Recall），F-score，Pr曲线]，ROC-AUC曲线



多类分类...]]></description><category></category></item><item><title><![CDATA[《动手学习深度学习》之六：刷分作业FashionMNIST数据集分类-打卡4]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/104602323</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/104602323</guid><author>Eric___Young</author><pubDate>Sun, 01 Mar 2020 23:08:27 +0800</pubDate><description><![CDATA[FashionMNIST分类
首先确认了数据集的图片shape均为：1x28x28，大多数数据集的图片尺寸是不一的，但FashionMNIST是固定的，这省下了很多清洗的工作；然后选择一个模型作为baseline，根据数据集的这样一个规模以及分辨率，肯定不适合用大模型，层数打算控制在20以内，所以我打算尝试一下resnet18作为baseline，然后使用图像增广和批量归一化来改善模型性能。
1....]]></description><category></category></item><item><title><![CDATA[《动手学习深度学习》之四、五：CV方向、案例-打卡3]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/104502175</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/104502175</guid><author>Eric___Young</author><pubDate>Tue, 25 Feb 2020 18:03:00 +0800</pubDate><description><![CDATA[伯禹课程第三次打卡（CV方向）：
《动手学习深度学习》之四：CV方向（图像增广、模型微调、图像风格迁移）（打卡3.1）
《动手学习深度学习》之五：CV案例（案例1：Kaggle CIFAR-10 图像分类竞赛与案例2：Kaggle Dog Breed Identification 图像分类竞赛）（打卡3.2）

...]]></description><category></category></item><item><title><![CDATA[《动手学习深度学习》之四：CV方向（图像增广、模型微调、图像风格迁移）（打卡3.1）]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/104500898</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/104500898</guid><author>Eric___Young</author><pubDate>Tue, 25 Feb 2020 17:58:59 +0800</pubDate><description><![CDATA[CV方向
1.图像增广
1.1.概念
1.1.1.大规模数据集是成功应用深度神经网络的前提
1.1.2.图像增广（image augmentation）技术通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模
1.1.3.另一种解释是，随机改变训练样本可以降低模型对某些属性的依赖，从而提高模型的泛化能力。
1.2.准备工作
1.2.1.首先，导入实验所需的包或模块...]]></description><category></category></item><item><title><![CDATA[《动手学习深度学习》之五：CV案例（案例1：Kaggle CIFAR-10 图像分类竞赛与案例2：Kaggle Dog Breed Identification 图像分类竞赛）（打卡3.2）]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/104501139</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/104501139</guid><author>Eric___Young</author><pubDate>Tue, 25 Feb 2020 17:55:51 +0800</pubDate><description><![CDATA[CV案例
1.案例1：Kaggle CIFAR-10 图像分类竞赛
1.1.导入包和模块
# 可以在Kaggle访问：
# https://www.kaggle.com/boyuai/boyu-d2l-image-classification-cifar-10
import numpy as np
import torch
import torch.nn as nn
import torch.op...]]></description><category></category></item><item><title><![CDATA[《动手学习深度学习》之三：3.RNN循环神经网络（进阶）-4种模型（打卡2.6）]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/104399176</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/104399176</guid><author>Eric___Young</author><pubDate>Wed, 19 Feb 2020 20:00:07 +0800</pubDate><description><![CDATA[RNN循环神经网络（进阶）
1.GRU（门控）模型
1.1.概念
1.1.1.RNN存在的问题：梯度较容易出现衰减或爆炸（BPTT）

1.1.2.GRU⻔控循环神经⽹络：捕捉时间序列中时间步距离较⼤的依赖关系
重置⻔有助于捕捉时间序列⾥短期的依赖关系；
更新⻔有助于捕捉时间序列⾥⻓期的依赖关系。

1.2.GRU模型从零实现
1.2.1.载入数据集
import numpy as np
im...]]></description><category></category></item><item><title><![CDATA[《动手学习深度学习》之二、三：机器语言模型、卷积神经网络CNN、循环神经网络RNN-打卡2]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/104380263</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/104380263</guid><author>Eric___Young</author><pubDate>Wed, 19 Feb 2020 18:03:31 +0800</pubDate><description><![CDATA[《动手学习深度学习》之二：1.机器翻译-伯禹课程打卡2.1
《动手学习深度学习》之二：2.注意力机制和Seq2seq模型-伯禹课程打卡2.2）
《动手学习深度学习》之二：3.Transformer模型-伯禹课程打卡2.3

...]]></description><category></category></item><item><title><![CDATA[《动手学习深度学习》之三：2.卷积神经网络（CNN）进阶-5种模型（打卡2.5）]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/104396432</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/104396432</guid><author>Eric___Young</author><pubDate>Wed, 19 Feb 2020 17:55:46 +0800</pubDate><description><![CDATA[卷积神经网络（CNN）进阶
2.LeNet、AlexNet、VGG、NiN、GooLeNet 5种模型
2.1.LeNet
2.1.1.全连接层和卷积层的比较：
使用全连接层的局限性：
•	图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。
•	对于大尺寸的输入图像，使用全连接层容易导致模型过大。
使用卷积层的优势：
•	卷积层保留输入形状。
•	卷积层通过滑动...]]></description><category></category></item><item><title><![CDATA[《动手学习深度学习》之三：1.卷积神经网络（CNN）基础（打卡2.4）]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/104395977</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/104395977</guid><author>Eric___Young</author><pubDate>Wed, 19 Feb 2020 17:10:27 +0800</pubDate><description><![CDATA[卷积神经网络（CNN）
1.卷积神经网络基础
1.1.基础概念
1.1.1.卷积层
1.1.2.填充、步幅、输入通道、输出通道的含义
1.1.3.池化层
1.1.4.二维互相关运算
二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。

import torch 
i...]]></description><category></category></item><item><title><![CDATA[《动手学习深度学习》之二：3.Transformer模型（打卡2.3）]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/104379326</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/104379326</guid><author>Eric___Young</author><pubDate>Tue, 18 Feb 2020 18:31:19 +0800</pubDate><description><![CDATA[3.Transformer模型
3.1.CNN与RNN的缺点：
1.CNNs 易于并行化，却不适合捕捉变长序列内的依赖关系。
2.RNNs 适合捕捉长距离变长序列的依赖，但是却难以实现并行化处理序列
3.2.为了整合CNN和RNN的优势，创新性地使用注意力机制设计了Transformer模型
3.2.1.该模型利用attention机制实现了并行化捕捉序列依赖，并且同时处理序列的每个位置的toke...]]></description><category></category></item><item><title><![CDATA[《动手学习深度学习》之二：注意力机制和Seq2seq模型（打卡2.2）]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/104378889</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/104378889</guid><author>Eric___Young</author><pubDate>Tue, 18 Feb 2020 17:43:44 +0800</pubDate><description><![CDATA[2.注意力机制和Seq2seq模型
2.1.注意力机制
2.1.1.概念

2.1.2.框架


•不同的attetion layer的区别在于score函数的选择，在本节的其余部分，我们将讨论两个常用的注意层 Dot-product Attention 和 Multilayer Perceptron Attention；随后我们将实现一个引入attention的seq2seq模型并在英法翻译语料...]]></description><category></category></item><item><title><![CDATA[《动手学习深度学习》之二：机器翻译（打卡2.1）]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/104361428</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/104361428</guid><author>Eric___Young</author><pubDate>Mon, 17 Feb 2020 17:50:53 +0800</pubDate><description><![CDATA[Task04
机器翻译和数据集
机器翻译

定义：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）
主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。

基本结构：Encoder-Decoder
encoder：输入到隐藏状态
decoder：隐藏状态到输出

通常应用在对话系统、生成式任务中

Encoder
Decod...]]></description><category></category></item><item><title><![CDATA[《动手学习深度学习》之一：线性回归、softmax与分类模型、多层感知机-伯禹课程-打卡1]]></title><link>https://blog.youkuaiyun.com/Eric___Young/article/details/104304043</link><guid>https://blog.youkuaiyun.com/Eric___Young/article/details/104304043</guid><author>Eric___Young</author><pubDate>Fri, 14 Feb 2020 20:22:35 +0800</pubDate><description><![CDATA[深度学习
1.01-线性回归
1.1.线性回归的基本要素
1.1.1.模型
线性回归假设输出与各个输入之间是线性关系: y = W.T X + b
1.1.2.数据集
在机器学习术语里，该数据集被称为训练数据集（training data set）或训练集（training set），一栋房屋被称为一个样本（sample），其真实售出价格叫作标签（label），用来预测标签的两个因素叫作特征（...]]></description><category></category></item></channel></rss>