JUyao_H的博客

本文系统介绍了 PyTorch 核心数据结构 Tensor。内容涵盖 Tensor 的创建、属性查看、索引切片及形状变换（如 reshape）等基础操作。重点详解了各类数学运算（逐元素、线性代数）、广播机制规则，以及与 NumPy 的互换和 CPU/GPU 设备移动方法。该文档旨在为 PyTorch 开发者提供详尽的语法参考和操作指南。

本文深入解析 PyTorch 框架的底层逻辑。通过“机器组装”比喻，将 Tensor、Autograd、nn 等核心模块映射为从原材料到调校引擎的完整训练系统。明确了 PyTorch 专注模型构建与 Pandas/NumPy 负责数据处理的分工边界。重点探讨激活函数的本质，阐述非线性变换如何赋予模型“万能逼近”能力，并提供了隐藏层（如 ReLU）与输出层（如 Softmax）的具体选型指南，为构建高效神经网络提供理论依据与实践策略。

本文深入解析了机器学习中指导模型优化的核心指标——损失函数。文章首先通过老师与学生的生动比喻，直观阐释了损失函数的工作机制。随后，详细对比了分类任务（如二元/多类交叉熵）与回归任务（如MSE、MAE、Huber）中主流损失函数的数学原理、优缺点及对异常值的敏感度。最后，文章提供了 Scikit-learn 和 PyTorch 的代码实现示例，帮助开发者根据具体场景（如数据是否包含噪音、标签是否互斥）选择最合适的损失函数，从而有效提升模型预测性能

训练出的模型究竟表现如何？仅看准确率往往会产生误导。本文系统性地梳理了机器学习三大任务的核心评价指标：分类模型（从混淆矩阵到 F1-Score 的权衡）、回归模型（MAE、RMSE 与 R² 的差异分析）以及聚类模型（轮廓系数等无监督评估方法）。文章不仅深入浅出地解释了各指标的数学原理与适用场景（如数据不平衡处理），还提供了基于 Scikit-learn 的 Python 代码示例，助你快速上手实战，科学量化模型性能，在实际业务中做出正确决策。

Matplotlib 是 Python 数据可视化领域的奠基石。本文不只是简单的函数罗列，而是从“一切皆对象”的核心理念入手，带你彻底搞懂 Figure 与 Axes 的底层逻辑，掌握官方推荐的面向对象绘图接口。内容涵盖从基础折线图到热力图的绘制、细节定制、多子图布局及图片导出，并深入讲解了与 Pandas 的 .plot() 方法的高效联动。通过本指南，你将能够灵活创建高质量图表，并为未来学习 Seaborn 等高级可视化库打下坚实基础。

本文是 Python 核心数据分析库 Pandas 的全面教学指南。文章从其核心数据结构 DataFrame 和 Series 入手，系统讲解了数据读取、查看、索引、清洗（缺失值与重复值处理）、转换、分组聚合及数据可视化等关键操作，是高效处理和分析表格数据的必备手册

本文全面介绍了 Python 科学计算的基石——NumPy 库。文章从 NumPy 的核心数据结构 N 维数组 (ndarray) 出发，阐述了其相比原生 Python 列表在性能和内存上的巨大优势。重点讲解了向量化计算与广播机制，这是 NumPy 实现高性能运算的关键。内容涵盖了数组的创建、高级索引与切片（特别是布尔索引）、通用函数、数学与统计方法，以及在线性代数和信号处理中的应用。掌握 NumPy 是通往 Pandas、Scikit-learn 等高级数据分析工具的必经之路。

本文系统阐述了机器学习的完整实施框架，旨在为AI学习者奠定基础。内容涵盖从问题定义、数据清洗与EDA、特征工程，到模型选择、训练（含损失函数与梯度下降）、评估及部署监控的全流程。文章深入解析了分类、回归与聚类三大类算法及其评价指标（如精确率、F1分数），并重点讲解了过拟合处理（正则化）、数据不平衡（SMOTE）等关键技术。通过结合Scikit-learn与PyTorch代码示例，提供了从理论到实践的详细指导。