HYLMW的博客

无监督学习是一种不依赖标签数据的机器学习方法，主要包括聚类分析和异常检测等任务。聚类算法（如K均值）通过计算数据相似度实现自动分组，其中聚类数量的确定可采用ELBO等方法。异常检测利用高斯分布模型识别偏离正常范围的数据点。强化学习则通过奖惩机制优化决策路径，贪心算法是其中一种简单策略。这些技术在数据挖掘、推荐系统等领域有广泛应用，但实际应用中仍需注意数据质量和算法选择的问题。课程内容涵盖了从基础概念到典型算法的知识体系。

本文介绍了SEN-RoadSegV2算法及其前身SNE-RoadSeg算法的核心技术。该算法通过表面法向量估计(SNE)将自由空间路面建模为法向量一致的平面，结合RoadSeg的CNN变种实现道路分割。算法利用相机内参完成3D空间映射，通过平面拟合和球坐标变换实现法向量聚类，最终输出0-1预测结果。实验在CARLA模拟器生成的R2D数据集上进行，展示了不同天气条件下的性能。但算法存在局限性：无法区分车道标线等同法向量区域，且在真实极端天气下的泛化性有待验证。建议结合注意力机制或GPS技术提升交通线识别能力，

BEV（鸟瞰图）技术在自动驾驶中主要用于处理动态路况判断，相比SLAM更适用于结构化城市道路。BEV通过多传感器数据融合（图像、激光雷达等）生成俯视视角，为路径规划提供直观参考。目前主流方法包括依赖高精地图的"自上而下"和基于原始传感器数据的"自下而上"两种，其中多模态数据融合是关键难点。纯图像方案（如BEVFormer）需多相机覆盖，点云方案精度高但数据量大，最佳方案是图像与点云互补融合，但现有加权融合方法仍较机械。随着研究深入，数据融合方式的创新将成为重要研究方向

本文探讨了Transformer模型在自然语言处理中的应用，既综述了其核心结构，又分析了相关技术细节。文章首先介绍了词袋模型和词向量技术，阐述了圈出Token（随后重点解析了注意力机制的原理，阐明QKV三要素的桨板作用。在Transformer部分，详细剖析了编码层和解码层的堆叠架构，指出其通过交叉注意力实现信息交互的特性。作者结合论文阅读体验，指出不同研究对Transformer长长文本处理能力的争议，但倾向认为通过层数调整可优化远程依赖捕捉。整体上，文章从理论到应用层面 cardTra

本文记录了作者在Kaggle平台上学习Python基础的过程。主要涉及函数定义、数据类型等基础内容，通过具体代码示例展示了房价预测函数的实现方式。文中还分享了学习过程中遇到的报错问题、数据类型特点等细节，并表达了对Kaggle数据提取功能的不满。文章采用随笔形式，穿插代码片段和错误截图，展现了学习历程和遇到的困惑。最后提到后续将转向论文阅读和算法学习。

深度学习核心技术概述 本文系统介绍了深度学习的关键技术。首先从神经元模型出发，阐述了卷积神经网络(CNN)在图像识别中的应用原理，包括卷积运算、池化层等核心操作。其次详细讨论了神经网络层的构建方法、TensorFlow框架使用技巧，以及Softmax函数在多元分类中的应用。在模型评估部分，重点分析了偏差-方差权衡、正则化参数选择策略，以及训练集/验证集/测试集的划分意义。文章还探讨了常见模型错误原因及解决方法，包括数据集问题、特征工程、参数调优等。最后介绍了决策树模型的基本原理和信息增益计算方法，以及随机森

本文是 Andrew 深度学习课程 Part1 的个人学习笔记，围绕机器学习基础核心内容展开梳理，旨在为机电与计算机交叉领域学习及后续自主构建代码模型奠定基础。笔记未采用逐帧学习或完全复现课程代码的方式，而是结合自身已有代码基础，通过理解性记录强化记忆。