I_AM_jm的博客

数据增强是一种有效的防止过拟合并且可以加大训练集的有效方式，NLP中的数据增强方法有回译，同义词替换，随机插入，随机交换，随机删除，对抗训练这几种方式，本篇文章简单介绍一下这几种方式。1.回译#经过测试，这个翻译的包翻译的时间是最短的from pygtrans import Translatedef backTran(wordss): client = Translate() text1 = client.translate(wordss) text2 = client.

很开心可以参加这一次的组队学习，在这次学习中，主要学到了深度学习的知识，了解了什么是梯度，梯度下降的方法，以及梯度下降会遇到的问题，还有解决方法。知道了什么是深度学习，并且知道了一些调参的方法，学会很多，也交到了很多朋友，希望下次组队学习再见...

为什么要用cnn当我们在训练的时候，我们会期待每个神经网络都是一个分类器，比如说第一层是最简单的分类器，它做的事情是判断有没有红色出现，第二层会比较复杂，它根据第一层的输出，来判断第三层根据第二层的输出来进行判断但是出现一个问题，当我们用完全连接的前馈网络来做图像处理的时候，往往我们会需要很多的参数，比如说一张图片（100100）,把它变成一个向量，就是3100*100，维度就很大，这样造成最后的参数就很多，而cnn做的是这样一件事情,简化神经网络的架构，将有些不必要的特征给剔除掉。这样会方便很多

最优失败的原因在梯度下降的过程中，会找到局部最优点和鞍点。如果说是找到局部最优解，那么我们是无法再进行优化的，如果说是找到鞍点，那么我们还是可以解决的。那么我们怎么判断是局部点还是鞍点呢？泰勒展开式...

错误的来源误差和偏差估测我们训练的模型其实是一个估测的结果，预估的结果。就像我们打靶一样，真实值是靶心，我们投的位置是我们的训练好的模型预估的结果偏差的计算如果我们要估算一个变量的平均值和方差，我们估算出来的平均值和真实的平均值是不一样的。但是如果我们利用样本平均值再求期望的话，这个值会接近真实平均值，那么这样的估计叫无偏估计。但这个每次的估计虽然会接近真实平均值，但始终又和真实平均值是有误差的。而这个误差就可以用方差variance来表示，variance的值和我们的样本数量密切相关。如

regression应用1.股票预测：给定股票的历史数据，来预测股市明天的平均值2.推荐系统：给定不同商品的特性，来预测购买某商品的可能性3.自动驾驶：无人车上各个传感器的数据，来预测方向盘的角度4.以及本节课重点讲解的预测宝可梦的cp值：给定进化前的cp值，物种，血量，重量等，来预测进化后的cp值加一点自己的理解，感觉预测也可以叫判断或者计算regression步骤step1：model选定一个model来进行训练，视频中选用的是线性模型，用训练资料去找一个最好的function其实就

机器学习笔记机器学习与人工智能的关系人工智能是达成的目标机器学习，深度学习是一种达到目标的方法[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-T9mgrWNo-1626100080671)(C:\Users\lph\AppData\Roaming\Typora\typora-user-images\image-20210712213954373.png)]通过后天的学习来习得一种能力。告诉机器一段声音，这段声音是”HI“，机器就学会了“HI"告诉机器一张图片代表”