<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[SharePython的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/SharePython</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; SharePython]]></copyright><item><title><![CDATA[深度学习基础无非就是这些！（附学习资料）]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/156427919</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/156427919</guid><author>SharePython</author><pubDate>Tue, 30 Dec 2025 17:38:55 +0800</pubDate><description><![CDATA[本文为深度学习初学者提供了简明的基础知识指南，重点介绍了5个核心内容：1）反向传播与梯度下降原理；2）参数初始化的方法；3）损失函数的分类与应用；4）优化算法的作用；5）深度学习基础总结（包括卷积层、正则化等关键概念）。文章指出学习深度学习无需专门钻研数学原理，建议通过2-3小时的系统学习掌握这些基础知识，并提供免费资料获取方式（公众号&quot;AI技术星球&quot;回复&quot;221C&quot;或扫码领取）。]]></description><category></category></item><item><title><![CDATA[Python从入门到精通的100个项目！（附学习资料）]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/156427800</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/156427800</guid><author>SharePython</author><pubDate>Tue, 30 Dec 2025 17:36:06 +0800</pubDate><description><![CDATA[本文推荐了一系列Python实战项目，适合不同水平的学习者练习。项目分为五个部分：从基础入门（如随机密码生成器、图片水印）到进阶应用（如PDF合并、新闻网站抓取），涵盖文本处理、文件操作、网络连接等实用场景。文中提供免费资料获取方式，可通过添加小助手或关注&quot;AI技术星球&quot;公众号领取。这些项目能有效提升编程逻辑和代码实现能力，建议选择有挑战性的项目进行针对性训练。所有资料仅供学习使用。]]></description><category></category></item><item><title><![CDATA[这是一份Python机器学习教程！（附学习资料）]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/156057083</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/156057083</guid><author>SharePython</author><pubDate>Thu, 18 Dec 2025 15:45:08 +0800</pubDate><description><![CDATA[本文推荐basicv8vc开源的Python机器学习教程，适合有一定Python基础的学习者。教程采用实践导向，包含六章内容：机器学习分类算法基础、Scikit-learn分类器应用、数据预处理、降维技术、模型评估调参及集成学习。教程特点在于避免复杂公式推导，注重实用技巧总结，通过Python实现算法应用。所有学习资料可通过添加小助手或关注&quot;AI技术星球&quot;公众号获取。这种理论与实践结合的方式，能帮助学习者快速掌握机器学习核心技能。]]></description><category></category></item><item><title><![CDATA[从入门到精通Pytorch深度学习！（附学习资料）]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/156057011</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/156057011</guid><author>SharePython</author><pubDate>Thu, 18 Dec 2025 15:42:52 +0800</pubDate><description><![CDATA[本文推荐了一套完整的PyTorch深度学习教程，涵盖从基础到实践的10个核心模块。教程内容包括PyTorch基础、神经网络分类、计算机视觉、自定义数据集、模块化开发、迁移学习、实验追踪、论文复现和模型部署等关键技术点。该教程适合初学者入门，也包含进阶内容，通过案例驱动的方式帮助学习者掌握PyTorch全流程开发。所有学习资料可免费获取，支持关注公众号或添加小助手领取。教程建议结合翻译工具使用，学习难度适中，能够系统性地提升PyTorch实战能力。]]></description><category></category></item><item><title><![CDATA[从机器学习理论到动手实战教程！（附学习资料）]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/156056924</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/156056924</guid><author>SharePython</author><pubDate>Thu, 18 Dec 2025 15:40:24 +0800</pubDate><description><![CDATA[本文推荐了一套理论与实战结合的机器学习/深度学习教程，适合入门学习或检验学习水平。教程共九章，涵盖机器学习核心算法、神经网络、计算机视觉、序列模型、生成模型、强化学习等核心内容，并提供30+激活函数详解、损失函数对比等理论笔记。最后包含从Titanic生存预测到股票预测等实战项目，覆盖基础到高级的完整AI项目实践。所有资料可通过公众号&quot;AI技术星球&quot;回复&quot;221C&quot;免费获取。]]></description><category></category></item><item><title><![CDATA[这是一份爆火的深度学习教程! （附学习文档）]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/155522232</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/155522232</guid><author>SharePython</author><pubDate>Wed, 03 Dec 2025 10:44:32 +0800</pubDate><description><![CDATA[前面介绍的模型，比如CNN,KNN等，模型参数在训练过程中如何更新与损失函数有关系，损失函数是用于衡量预测值和真实值之间的距离，然后用于参数的更新，相应的优化策略包括正则化，比如L1和L2正则化等。像之前的模型KNN，逻辑回归等都是判别式模型，而现在比较火的GPT等大模型则是生成式模型，生成模型已经带来的新的变革，transformer, bert等都是生成式模型的基础。强化学习也是一个比较火热的方向，通过在试错中优化学习策略，从而获得最佳的推荐策略。（KNN）求解，但解决效果较差。4-9. CNN相关。]]></description><category></category></item><item><title><![CDATA[看机器学习笔记真的会上瘾！（附学习文档）]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/155521959</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/155521959</guid><author>SharePython</author><pubDate>Wed, 03 Dec 2025 10:41:24 +0800</pubDate><description><![CDATA[这是一份全面的机器学习算法笔记，涵盖回归、分类、聚类、关联规则、强化学习、NLP、深度学习和降维等核心内容。笔记详细介绍了各种算法的原理、优缺点及应用场景，适合有一定机器学习基础的学习者深入理解。资料为英文版，建议具备四六级英语水平。可通过添加小助手或关注&quot;AI技术星球&quot;公众号回复&quot;221C&quot;免费获取完整资料。]]></description><category></category></item><item><title><![CDATA[手搓机器学习代码进步太快了！（附学习资料）]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/155225663</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/155225663</guid><author>SharePython</author><pubDate>Tue, 25 Nov 2025 09:50:20 +0800</pubDate><description><![CDATA[感知机是机器学习历史上第一个真正意义的神经网络的模型，其他深度学习模型都是在这个基础上发展改进的，算法实现简单，易于理解，后续启发了MLP和反向传播等发展，这个可以看一看，手撕感觉意义不大，还不如手撕MLP。k-means算法是一类聚类算法，属于无监督学习，通过设置K参数，期望最终聚类成K个簇，注意和分类算法进行区分，算法相对来说比其他的复杂，可以看一下代码就行，多看代码一定会有进步的。如果你正在学习机器学习入门，纯粹学习机器学习理论，容易陷入迷茫，不清楚算法怎么使用，以及怎么实现这个算法。]]></description><category></category></item><item><title><![CDATA[这是一份机器学习算法的Python实现教程！（附学习资料）]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/155225314</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/155225314</guid><author>SharePython</author><pubDate>Tue, 25 Nov 2025 09:41:21 +0800</pubDate><description><![CDATA[这篇文章介绍了一个开源的机器学习算法Python实现教程，由lawlite19大佬开发并获高星评价。教程详细解析了7种核心算法的底层实现原理：线性回归、逻辑回归、BP神经网络、支持向量机、K-means聚类、PCA降维和异常检测算法。每个算法都包含代价函数、梯度下降等核心组件的代码实现，并配有sklearn库的对比实现。文章指出机器学习算法具有共通的结构特征，理解这些底层实现能加深理论认知。读者可通过添加小助手或关注&quot;AI技术星球&quot;公众号，回复&quot;221C&quot;免费获取相关]]></description><category></category></item><item><title><![CDATA[深度学习水论文无非就是排列组合，会讲故事，搭积木永不过时！]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/151798042</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/151798042</guid><author>SharePython</author><pubDate>Wed, 17 Sep 2025 16:52:19 +0800</pubDate><description><![CDATA[这里我收集了七大模块（Mamba模块、卷积模块、频域模块、特征融合模块、下采样模块、注意力模块、时间序列模块），共有98个即插即用的模块，都包含了论文和代码，把模块加到自己的网路中，如果有提升就可以具体看看这个模块的文章。其采用可变形卷积核与自适应感受野调整策略，能够更精准地捕捉输入数据的空间特征，该模块支持即插即用，可无缝集成到现有架构中，为CV提供更高效的特征提取方案。该模块能显著提升模型的特征表达能力，在保证计算效率的同时，使各类任务的准确率提升10%-15%。说直白点，就是缝模块。]]></description><category></category></item><item><title><![CDATA[万字解析！一文带你了解深度学习中经典神经网络结构--CNN、RNN、LSTM、Transformer！原创JOYCE_Leo16AI评论员2025年06]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/151797924</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/151797924</guid><author>SharePython</author><pubDate>Wed, 17 Sep 2025 16:49:15 +0800</pubDate><description><![CDATA[与传统神经网络不同，RNN通过隐藏状态（hidden state）的循环连接，将前一个时间步的输出作为当前时间步的输入，从而实现对序列数据的时序建模。另外想结合AI发文发刊，但不知道怎么做创新的同学，我们team磨练出了一套系统且专业的传统学科交叉AI科研入门方案，可带学生发paper，已迭代五次（持续迭代中），我们会根据你的研究方向来规划学习路径，并且根据你的实验数据分为了时序、图结构、影像三大实验室。圆形隐藏层不仅考虑了当前的输入，还综合了之前所有的输入信息，能够利用历史信息来影响未来的输出。]]></description><category></category></item><item><title><![CDATA[看完这本1220页的教程书还不懂机器学习的可能性接近于0！]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/151715528</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/151715528</guid><author>SharePython</author><pubDate>Mon, 15 Sep 2025 14:07:13 +0800</pubDate><description><![CDATA[第19章：深度神经网络 II（GAN、VAE、Transformer、Self-Supervised Learning、Diffusion Models）第18章：深度神经网络 I（Perceptron、BP、CNN、RNN、Dropout）第7章：分类器基础（贝叶斯、KNN、逻辑回归、Fisher判别、Boosting等）第5–6章：在线学习、梯度下降、最小二乘方法（包括RLS、LMS、SGD）第3章：参数建模中的学习方法（含线性回归、最大似然、贝叶斯估计等）第11章：核方法与支持向量机（SVM）]]></description><category></category></item><item><title><![CDATA[真心分享！纯新手怎么简单高效入门机器学习深度学习？]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/151715329</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/151715329</guid><author>SharePython</author><pubDate>Mon, 15 Sep 2025 14:02:34 +0800</pubDate><description><![CDATA[整个学习路线看完大家应该就知道了学深度学习并不是单独去学深度学习的知识就可以的，它还涉及底层数学、编程、代码、各种工具的使用，好了今天的分享结束了，大家学习中遇到任何问题都可以和我说。三本深度学习绝对经典的教程书，三本评分都非常高（有了前面的代码基础三本书都可以很好的学习），大家可以根据个人喜好选一本，其中第三本是沐神出的，B站上还有视频。函数、极限与连续、导数与微分、微分中值定理与导数的应用、函数的积分、定积分的应用、向量与空间解析几何、多元函数微分学、多元函数微分学的应用、常微分方程。]]></description><category></category></item><item><title><![CDATA[要做机器学习是不是非学数学不可？又要学到什么程度才行？]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/151655389</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/151655389</guid><author>SharePython</author><pubDate>Sat, 13 Sep 2025 17:35:28 +0800</pubDate><description><![CDATA[摘要：机器学习需要扎实的数学基础，包括微积分、线性代数、概率统计和优化方法等，仅会调用Python工具包是不够的。为帮助学习者掌握相关数学知识，推荐两本优质教材：《人工智能：数学基础》系统讲解AI领域的数学内核；《机器学习的数学》专为零基础设计，将抽象概念转化为实用工具。关注公众号可免费获取相关资料。]]></description><category></category></item><item><title><![CDATA[一文详解经典卷积神经网络（LeNet、AlexNet、VGGNet、GoogLeNet、ResNet、DenseNet等）]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/151655216</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/151655216</guid><author>SharePython</author><pubDate>Sat, 13 Sep 2025 17:31:41 +0800</pubDate><description><![CDATA[大家好！今天用一篇文章对经典的卷积神经网络进行详解，包含LeNet、AlexNet、VGGNet、NiN、GoogLeNet、ResNet、DenseNet，同时我也整理关于神经网络几大主流SOTA模型及相关变体的论文与代码仓库，可添加我的小助手无偿获取~文章中所有的数据和资料，可添加小助手无偿分享~扫码添加小助手即可无偿获取~也可以关注“AI技术星球”公众号，关注后回复“221C”获取。LeNet : 基础图像识别网络 (1998)]]></description><category></category></item><item><title><![CDATA[看完还不懂什么是机器学习的概率基本为0！]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/151610909</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/151610909</guid><author>SharePython</author><pubDate>Fri, 12 Sep 2025 09:59:57 +0800</pubDate><description><![CDATA[机器学习是让计算机从数据中自主学习的技术，无需编写明确规则。它通过识别数据模式自动适应新情况，解决复杂问题，并挖掘海量数据中的隐藏洞察。机器学习分为监督学习、无监督学习、半监督学习和强化学习等类型，适用于规则复杂、环境动态或需要分析大数据的场景。构建有效模型需注意数据质量和模型选择，避免过拟合和欠拟合。成功的机器学习项目需要合理的数据划分（训练集、验证集和测试集）和严格测试。]]></description><category></category></item><item><title><![CDATA[AI医学必看！使用SHAP解释医疗机器学习模型中的预测结果]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/151609872</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/151609872</guid><author>SharePython</author><pubDate>Fri, 12 Sep 2025 09:34:01 +0800</pubDate><description><![CDATA[AI在医疗领域的应用需要可解释性，仅凭预测准确率无法建立信任。SHAP（SHapley Additive exPlanations）技术通过揭示机器学习模型的决策依据，帮助理解特征（如BMI、年龄、血压）对预测结果的贡献程度。本文以糖尿病风险预测为例，展示SHAP如何从三个层面提供解释：1）全局特征重要性，识别关键风险因素；2）特征效应分析，揭示各因素与风险的关联；3）个体预测解释，说明具体病例的风险评分依据。这种透明度使医生能验证模型逻辑是否与医学认知一致，患者能理解预测依据，从而提升AI在医疗决策中的可]]></description><category></category></item><item><title><![CDATA[真得收藏！深度学习模型一网打尽！]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/151609724</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/151609724</guid><author>SharePython</author><pubDate>Fri, 12 Sep 2025 09:28:08 +0800</pubDate><description><![CDATA[本文系统介绍了深度学习领域的关键模型及其应用场景。从基础的感知机、多层感知机到CNN、RNN、Transformer等主流模型，再到GAN、VAE等生成模型，以及Q学习、DQN等强化学习方法，全面涵盖了计算机视觉、自然语言处理、序列分析等任务。文章还特别介绍了BERT、GPT、DALL·E等前沿模型，并提供了U-Net、YOLO等实用模型的工程应用场景。此外，文中还推广了一套AI科研入门学习方案，包含时序、影像和AI+实验室三个方向，承诺5个月左右的学习周期即可产出科研成果。所有资料可通过公众号或添加小助手]]></description><category></category></item><item><title><![CDATA[深度学习入门教程（附详细解释笔记）]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/151585124</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/151585124</guid><author>SharePython</author><pubDate>Thu, 11 Sep 2025 17:58:06 +0800</pubDate><description><![CDATA[【摘要】本文介绍了深度学习入门的学习路径，将6周课程分为循序渐进的阶段：第一周机器学习基础，第二周深度学习和CNN，第三周RNN和注意力机制，第四周Transformer，第五周GAN和自监督学习，第六周迁移学习和强化学习。文章推荐结合李宏毅、沐神等优质教程资源学习，并提供&quot;AI技术星球&quot;公众号获取配套资料的方式。作者强调深度学习入门关键在于坚持，通过分阶段攻克重点内容（如CNN、Transformer等），配合优质学习资源，可以系统掌握深度学习核心知识。]]></description><category></category></item><item><title><![CDATA[机器学习深度学习入门课程（附课件和学习笔记）]]></title><link>https://blog.youkuaiyun.com/SharePython/article/details/151585077</link><guid>https://blog.youkuaiyun.com/SharePython/article/details/151585077</guid><author>SharePython</author><pubDate>Thu, 11 Sep 2025 17:54:33 +0800</pubDate><description><![CDATA[第13讲（难度***）: 介绍对抗攻击，是指针对机器学习模型，尤其是深度学习模型的一种攻击方式。第9讲（难度***）: 介绍Seq2Seq，输入一个序列，输出一个序列的学习任务，深度学习时间序列要解决的问题，重点看看模型结构有哪些部分组成，每一部分的功能，现在其他时间序列模型大部分都是采用这种结构的变体。第16讲（难度***）: 介绍强化学习基础，了解强化学习解决的问题，智能体，环境，奖励等概念，贝尔曼公式，RLHF, PPO, DPO, IPO等算法，强化学习在大模型领域有重要应用。]]></description><category></category></item></channel></rss>