《李宏毅机器学习》task1

《深度学习》李宏毅 -- task1机器学习介绍 机器学习介绍 机器学习(Machine Learning),就是让机器自动找函数。如语音识别,就是让机器找一个函数,输入是声音信号,输出是对应的文字。如下棋,就是让机器找一个函数,输入是当前棋盘上黑子白子的位置,输出是下一步应该落子何处。 机器学习任务——我们想要机器找什么样的函数 1.回归(regression) 输出是数值。如房价、PM2.5预测。 2.二元分类(binary classification) 输出只有两种可能,正面或负面。 3.多... 阅读详情

1.什么是机器学习

Langley(1996) 定义的机器学习是“机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能,特别是如何在经验学习中改善具体算法的性能”。

2.中心极限定理、正态分布、最大似然估计

最大似然估计

给定一堆数据,假如我们知道它是从某一种分布中随机取出来的,可是我们并不知道这个分布具体的参数,即“模型已定,参数未知”。例如,我们知道这个分布是正态分布,但是不知道均值和方差;或者是二项分布,但是不知道均值。 最大似然估计(MLE,Maximum Likelihood Estimation)就可以用来估计模型的参数。MLE的目标是找出一组参数,使得模型产生出观测数据的概率最大:
在这里插入图片描述
其中在这里插入图片描述就是似然函数,表示在参数下出现观测数据的概率。

  • 最大似然估计的一般求解步骤
    在这里插入图片描述

最大似然估计的一般求解过程:

(1) 写出似然函数;

(2) 对似然函数取对数,并整理;

(3) 求导数 ;

(4) 解似然方程

3.线性回归loss function推导

4.损失函数和凸函数之间的关系

如果损失函数是凸函数,那么一定有全局最优解,且不论初始值如何选取。

5.全局最优与局部最优

损失函数存在局部最小值,初始点选取不当,则很有可能会造成局部最优解。

6.学习导数,泰勒展开

泰勒展开式

7.推导梯度下降公式

8.写出梯度下降的代码

9.学习L0 L1 L2

10.推导正则化公式

11.说明为什么用L1代替L0

12.为什么只对w0做限制,不对b做限制

从数据到行动:客服运营必分析的8大核心维度 服务运营正从被动响应升级为数据驱动型战略体系。客服中心的海量交互数据能精准反映服务效能、客户体验及运营短板,关键在于实现数据的可视化与可操作化。本文系统剖析了八类核心数据指标:1)客户行为数据(CSAT/NPS/投诉内容);2)通话效率指标(AHT/接通率);3)服务质量(质检体系/情绪识别);4)坐席绩效(FCR/客户评价);5)流程与知识库(转接率/工单时效);6)渠道流量分析;7)异常预警机制;8)成本收益模型。通过构建多维数据分析体系,企业可在客户全生命周期管理中实现服务升级、风险防控与资源 阅读详情

相关推荐

D类功放LC滤波器实战:从Q值0.707到EMI优化的完整设计流程

本文详细解析了D类功放LC滤波器的完整设计流程,从确定截止频率与Q值0.707的理论基础出发,到参数计算、仿真验证及关键元器件选型,并提供了应对EMI超标和过流保护等实际问题的进阶调试策略。文章强调,精准的LC滤波器设计是平衡音质、稳定性与电磁兼容性的关键,尤其需关注电感饱和电流与电容直流偏置等细节。

e4f5g6h7的博客 1038

机器学习 —— 李宏毅机器学习笔记(五)—— 概率生成模型

概率生成模型 概率生成模型,简称生成模型(Generative Model),是概率统计和机器学习中的一类重要模型,指一系列用于随机生成可观测数据的模型。生成模型的应用十分广泛,可以用来不同的数据进行建模,比如图像、文本、声音等。比如图像生成,我们将图像表示为一个随机向量X,其中每一维都表示一个像素值。假设自然场景的图像都服从一个未知的分布pr(x),希望通过一些观测样本来估计其分布。也就是说...

ProQianXiao的博客 8759

4路QSFP28接口能玩出什么花样?基于璞致VU13P开发板的100G网络测试方案

本文详细介绍了基于璞致PZ-VU13P-KFB开发板构建100G网络测试方案的实战指南。该方案充分利用板载Xilinx Virtex UltraScale+ FPGA的强大算力与4路QSFP28接口,涵盖从光模块选型、Aurora协议配置、开源Corundum方案部署,到误码率测试及散热优化的全链路流程,为高速网络设备研发与验证提供了可靠的硬件平台。

cola5的博客 457

李宏毅机器学习笔记(5): Classification:Probabilistic Generative Model

Classification:Probabilistic Generative Model 分类问题属于比较常见的问题之一了,这次李老师讲的是一个比较基础的分类问题的模型,为了让我们对这个问题进一步了解,可以更好地继续学习。 1 分类 分类问题是通过对大量输入进行分析,寻找模型,将样本进行分类,从而之后输入的样本,可以分类到合适的类。这个问题还是很容易理解的,看例子: 接下来对宝可梦的属性...

wasser000的博客 698

向量数据库:PGVector

PGVector 是一个基于 PostgreSQL 的扩展插件,为用户提供了一套强大的向量存储和查询的功能

m0_37559973的博客 1万+

云计算学习——5G网络技术

华为eNSP网络设备模拟器的基础安装及简单使用

qq_42520799的博客 1447

2020李宏毅学习笔记——6.Clasification

warm-up:针对学习率的优化方式 1.概念 Warmup是在ResNet论文中提到的一种学习率预热的方法,它在训练开始的时候先选择使用一个较小的学习率,训练了一些epoches或者steps(比如4个epoches,10000steps),再修改为预先设置的学习来进行训练。 2.为什么使用Warmup? 由于刚开始训练时,模型的权重(weights)是随机初始化的,在预热的小学习率下,模型可以慢慢趋于稳定,等模型相对稳定后再选择预先设置的学习率进行训练,使得模型收敛速度变得更快,模型效果更佳。 3.Wa

weixin_44554337的博客 499

2023电视专用!安卓电子相册APP避坑指南(附开源代码)

本文针对2023年智能电视用户,提供安卓电子相册APP的避坑指南与实战教程。文章详细解析了电视端相册应用的常见广告与兼容性陷阱,并指导用户如何安全获取、部署纯净的APK应用,通过核心设置实现无广告的个性化图片轮播体验,最终打造专属的家庭回忆墙。

weixin_29012677的博客 499

《李宏毅机器学习》- Task1

一、了解什么是Machine learning 1、一种映射: 让机器有学习的能力,通过学习,找到可以拟合当前数据类型的最优映射,即 ; 其中x为数据集中的元素,y为对应学习任务的输出结果,F为最优的ML模型 2、两个阶段:Training 和 Testing 1)Training 训练数据x+ 模型集(一系列的映射) ——&g...

weixin_38424903的博客 238

【uniapp踩坑记】App Store上传失败:Invalid Swift Support错误怎么解决?

作为一个前端出身的开发者,用 uniapp 开发原生 App 已经够挑战了,打包 iOS 上传 App Store 更是处处暗雷。这次的坑虽然小,但确实容易忽略。如果你也遇到了类似的报错,希望这篇文章能帮你少踩一次坑!

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 1144

Android 12 大屏时底下显示任务栏以及虚拟按键靠右问题

Android 12 点大屏时,底下导航栏变成显示任务栏,虚拟按键靠右的分析以及修改

Android系统开发笔记 4687

DW李宏毅机器学习Task1

通过Task1了解机器学习与AI,机器学习与深度学习的关联,以及机器学习中主要的学习方法。

momokofly的博客 261

推荐系统[一]:超详细知识介绍,一份完整的入门指南,解答推荐系统相关算法流程、衡量指标和应用,以及如何使用jieba分词库进行相似推荐,业界广告推荐技术最新进展

推荐算法其实本质上是一种信息处理逻辑,当获取了用户与内容的信息之后,按照一定的逻辑处理信息后,产生推荐结果。热度排行榜就是最简单的一种推荐方法,它依赖的逻辑就是当一个内容被大多数用户喜欢,那大概率其他用户也会喜欢。但是基于粗放的推荐往往会不够精确,想要挖掘用户个性化的,小众化的兴趣,需要制定复杂的规则运算逻辑,并由机器完成。召回:当用户以及内容量比较大的时候,往往先通过召回策略,将百万量级的内容先缩小到百量级。

丨汀、的博客 7597

【李宏毅深度学习CP1-2】(task1)机器学习简介

目录 机器学习介绍 机器学习相关的技术 监督学习 半监督学习 迁移学习 无监督学习 监督学习中的结构化学习 强化学习 为什么我们需要学习机器学习? 机器学习介绍 1950年 人工智慧(AI)、Artificial Intelligence 1980年 机器学习(ML) 、Mechine Learning 2010年 深度学习(DL)、Deep Learning 机器学习相关的技术 监督学习 监督学习是指:利用一组已知类别的样本调整分类器的参数,使其达到所...

202xxx的博客 3124

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

【李宏毅机器学习CP1-3】(task1)机器学习简介&分类|回归

文章目录1.机器学习的过程2.机器学习相关分类3.选择合适的model,loss function4.CP3(1)回归定义和应用例子回归定义应用举例(2)模型步骤Step 1:模型假设 - 线性模型一元线性模型(单个特征)多元线性模型(多个特征)Step 2:模型评估 - 损失函数收集和查看训练数据如何判断众多模型的好坏Step 3:最佳模型 - 梯度下降如何筛选最优的模型(参数w,b)梯度下降推演最优模型的过程梯度下降算法在现实世界中面临的挑战w和b偏微分的计算方法(3)如何验证训练好的模型的好坏(4)更

发现问题,并解决问题,批判性思维 1696

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

机器学习基础(Task1)#Datawhale X #李宏毅苹果书 #AI夏令营

机器学习就是让机器具备找一个函数的能力。如语音识别,我们需要的是一个函数,该函数的输入是声音信号,输出是这段声音信号的内容。如图像识别为例,图像识别函数的输入是一张图片,输出是这个图片里面的内容。AlphaGo 也可以看作是一个函数,机器下围棋需要的就是一个函数,该函数的输入是棋盘上黑子跟白子的位置,输出是机器下一步应该落子的位置。

2201_75390144的博客 654

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

机器学习入门Datawhale X李宏毅苹果树 AI夏令营 TASK1

y = b + w ∗ x1,而 b 跟 w 是未知的。带有未知的参数的函数称为模型(model)。模型在机器学习里面,就是一个带有未知的参数的函数,特征x1 是这个函数里面已知的,它是来自于后台的信息, w 跟 b 是未知的参数。如果算y与yˆ之间平方的差距,如式 (1.7) 所示,则称为均方误差e = (ˆy y − y)2。y 与 yˆ 之间绝对值的差距,e = |yˆ − y|,称为平均绝对误差。猜测函数为y=kx+b,然后估算与真实的差距,得到y 与 yˆ。计算它的损失,画出来的等高线图称为。

Rooseveltcdc的博客 550

Datawhale X 李宏毅苹果书 AI夏令营机器学习1-1 task1

y跟x都是数值,y表示要预测的人数,x是前一天观看的人数b和w是未知的参数,w 称为权重(weight),b 称为偏置(bias)损失是函数 L(b, w),其输入是模型参数 b 跟w。损失函数输出的值代表,现在如果把这一组未知的参数,设定某一个数值的时候,这笔数值好还是不好。举一个具体的例子,假设未知的参数的设定是 b = 500,w = 1,预测未来的观看次数的函数就变成 y = 500 + x1。要从训练数据来进行计算损失,在这个问题里面,训练数据是这一个频道过去的观看次数。

2403_84034318的博客 1016

李宏毅机器学习AI夏令营Task1:理解与应用基础概念

其中 \( y \) 是预测的观看次数,\( x \) 是前一天的实际观看次数,\( w \) 和 \( b \) 是模型的未知参数。- **损失函数** \( L(b, w) \) 用于量化预测值与实际值之间的差距。- 对于给定的参数 \( b \) 和 \( w \),损失函数会给出一个数值,该数值反映了这些参数下的预测效果好坏。- 假设参数 \( b = 500 \) 和 \( w = 1 \),则预测函数变为 \( y = 500 + x \)。

Lbinggou123的博客 657

Datawhale X 李宏毅苹果书 AI夏令营 第五期 跟李宏毅学深度学习(入门)Task1:《深度学习详解》- 1.1 通过案例了解机器学习

第 1 章 机器学习基础 1.1 案例学习

图像检索小菜鸟_bianwencyy_的专栏 268

Datawhale X 李宏毅苹果书 AI夏令营-深度学习入门班#Task1

Datawhale X 李宏毅苹果书 AI夏令营-深度学习入门班#Task1 本文主要总结了机器学习的四种类型以及机器学习找函数的三个步骤

东西南北的博客 1150

【李宏毅机器学习CP21】(task6)卷积神经网络

学习心得/总结 (1)CNN误差反向传播的细节可以参考《深度学习的数学》P200的5.5部分,还没看。 (2)卷积层可通过重复使用卷积核有效地表征局部空间,卷积核(过滤器filterfilterfilter)通过卷积的计算结果(相似度)表示该卷积核和扫描过的图像块的灰色格子部分相吻合的个数——该值越大则说明越符合卷积核的偏好程度。 ——卷积的结果矩阵为特征映射(featurefeaturefeature mapmapmap) (3)说到内积,要和HadamardHadamardHadamard乘积区分,后者

发现问题,并解决问题,批判性思维 1596

【李宏毅机器学习2021】Task02 回归

本系列是针对datawhale《李宏毅机器学习-2022 10月》的学习笔记。本次是对回归的学习总结。本节通过视频学习到回归任务的提出,三个要素,及如何优化。李老师通过层层递进,提出问题解决问题的方式不断打磨方法,从中介绍回归任务的始末,引出深度学习及网络加深伴随的过拟合问题。

QAQterrible的博客 1002

【李宏毅机器学习2021】Task01 机器学习介绍

【李宏毅机器学习2021】本系列是针对datawhale《李宏毅机器学习-2022》的学习笔记。本次是对机器学习介绍的学习总结。本节通过学习视频了解到李老师对机器学习课程的整体安排,介绍了每个章节的侧重点,从回归开始,由有监督到半监督,无监督。以及后续的mata learning。整体介绍目前深度学习的学习大纲。讲解中也穿插了有多有趣的例子,容易接受同时也充满乐趣。希望在参加本次学习课程可以拓宽自己的知识面,打扎实基础理论,点满技能树,在丰富作业体系下提升自己的DLcoing能力。

QAQterrible的博客 757

Datawhale十月组队学习--《李宏毅机器学习》--Task02

Datawhale十月组队学习:《李宏毅机器学习》 往期指路    Task01:什么是机器学习 文章目录Datawhale十月组队学习:《李宏毅机器学习》往期指路前言一、回归(Regression)二、使用步骤1.引入库2.读入数据总结 前言   本篇主要对《李宏毅机器学习》中关于【回归】部分的知识记录。 一、回归(Regression)    1、不是模型越复杂越好 2、还需要考虑数据集的大小 3、只考虑CP值是不对的,还要考虑因素,需要重新设置function set 4、过拟合:Regular

可乐的博客 527

《李宏毅机器学习》task2

《李宏毅机器学习》task21.偏差和方差学习误差由偏差和方差而产生过拟合,欠拟合2.鞍点,全局最优和局部最优3.梯度下降Mini-Batch与SGDBatch与Mini-Batch,SGD的区别如何根据样本大小选择哪个梯度下降写出SGD和Mini-Batch的代码4.交叉验证5.归一化6.回归模型评价指标 1.偏差和方差 学习误差由偏差和方差而产生 偏差与方差分别是用于衡量一个模型泛化误差的...

devcy的博客 424
上一篇: svm
下一篇: 《李宏毅机器学习》task2
程序员椰子橙
博客等级 码龄9年 46粉丝 163原创
评论 1
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
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