<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_54570435的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_54570435</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_54570435]]></copyright><item><title><![CDATA[前向传播与反向传播相关技术解析]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/161392004</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/161392004</guid><author>m0_54570435</author><pubDate>Mon, 25 May 2026 16:56:03 +0800</pubDate><description><![CDATA[前向传播就是从输入层开始，一层一层计算线性值 + 激活值所有层计算公式完全统一，仅输出层激活函数根据任务调整最终输出就是神经网络的预测结果反向传播就是从输出层开始，一层一层计算误差项与参数梯度所有层计算公式统一，仅激活函数导数不同最终得到每个参数的梯度，用于优化模型参数。]]></description><category></category></item><item><title><![CDATA[线性代数核心内容]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/157465911</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/157465911</guid><author>m0_54570435</author><pubDate>Thu, 29 Jan 2026 11:17:36 +0800</pubDate><description><![CDATA[本文系统阐述了矩阵理论与高维代数在数据科学和工程计算中的核心应用。首先详细介绍了矩阵基础运算（逆、特征值、迹、秩等）及其数值计算方法，包括LU、QR、SVD等分解技术。其次深入探讨了线性方程组求解的直接法和迭代法，以及稀疏矩阵的高效处理策略。在几何变换方面，重点分析了投影、齐次坐标和各类距离度量方法。针对高维数据，详细讲解了张量运算与分解（CP、Tucker等）及其在深度学习中的应用。最后，系统总结了概率与线性代数的结合，涵盖多元分布、随机矩阵、马尔可夫链等概率模型及其矩阵表示。全文通过理论推导与工程实践的]]></description><category></category></item><item><title><![CDATA[生成对抗网络（GAN）]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/149666802</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/149666802</guid><author>m0_54570435</author><pubDate>Sat, 26 Jul 2025 15:26:11 +0800</pubDate><description><![CDATA[生成对抗网络（Generative Adversarial Networks）由Ian Goodfellow等人于2014年提出，通过对抗训练机制开创了生成模型的新范式。其核心思想是构建两个神经网络——生成器（Generator）和判别器（Discriminator）——在博弈中共同进化：其中：G：生成器，将随机噪声z映射到数据空间D：判别器，评估输入来自真实数据还是生成样本p_data：真实数据分布p_z：噪声先验分布（通常为标准正态分布）]]></description><category></category></item><item><title><![CDATA[拓扑识别讲解]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/149660942</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/149660942</guid><author>m0_54570435</author><pubDate>Sat, 26 Jul 2025 14:24:12 +0800</pubDate><description><![CDATA[拓扑识别是指从数据或空间中自动提取和识别拓扑特征的过程。给定一个数据集合X，拓扑识别旨在发现其潜在的拓扑结构，包括连通分量、环状结构、高维空洞等特征。数学上可表述为：其中b_i,d_i表示第i个拓扑特征的出生和死亡时间，tau_i表示特征类型。介绍了拓扑识别的理论、算法和应用。从基础的代数拓扑概念到前沿的拓扑数据分析技术，我们展示了如何从数据中提取有意义的拓扑特征。随着计算能力的提升和理论的完善，拓扑识别必将在科学研究和工程应用中发挥越来越重要的作用。]]></description><category></category></item><item><title><![CDATA[LSTM（长短期记忆网络）]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/149295898</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/149295898</guid><author>m0_54570435</author><pubDate>Sat, 12 Jul 2025 16:35:50 +0800</pubDate><description><![CDATA[本文系统解析了LSTM（长短期记忆网络）的核心原理与应用。LSTM通过门控机制（遗忘门、输入门、输出门）有效解决了传统RNN的梯度消失/爆炸问题，成为处理长序列数据的核心技术。文章详细介绍了LSTM的数学基础、架构演进（包括GRU、双向LSTM等变体）、训练优化技巧（如梯度裁剪和正则化）以及在NLP、时间序列预测和语音处理等领域的典型应用方案。尽管Transformer兴起，LSTM在时序敏感任务中仍具独特优势，为序列建模提供了重要基础。]]></description><category></category></item><item><title><![CDATA[Transformer 的本质与核心思想]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/149255535</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/149255535</guid><author>m0_54570435</author><pubDate>Sat, 12 Jul 2025 15:56:49 +0800</pubDate><description><![CDATA[Transformer 通过自注意力机制重塑了序列建模范式，其并行化特性和强大的表示学习能力使其成为深度学习的基础设施。从数学原理到工程实践，从 NLP 到多模态领域，Transformer 的影响力仍在持续扩大。未来，随着高效架构设计、理论研究和跨领域融合的推进，Transformer 将在更广泛的场景中释放潜力，推动人工智能向更通用、更可靠的方向发展。理解其核心思想与技术细节，不仅是掌握当前 AI 技术的关键，也是探索下一代 AI 模型的基础。]]></description><category></category></item><item><title><![CDATA[循环神经网络（RNN）]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/149223768</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/149223768</guid><author>m0_54570435</author><pubDate>Wed, 09 Jul 2025 14:51:50 +0800</pubDate><description><![CDATA[循环神经网络（Recurrent Neural Network, RNN）是一种专门用于处理序列数据（如文本、语音、时间序列）的深度学习模型。其核心思想是通过循环连接和状态记忆机制，实现对序列数据的时序建模和上下文相关特征提取。]]></description><category></category></item><item><title><![CDATA[卷积神经网络（CNN）]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/149199743</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/149199743</guid><author>m0_54570435</author><pubDate>Tue, 08 Jul 2025 16:16:53 +0800</pubDate><description><![CDATA[卷积神经网络（Convolutional Neural Network, CNN）是一种专门用于处理网格状数据（如图像、视频、音频、时间序列）的深度学习模型。其核心思想是通过局部连接、权重共享和层次化特征提取，自动学习数据的空间或时间层次结构。生物学基础：受视觉皮层中神经元只响应局部刺激的启发数学实现：每个神经元仅与前一层局部区域连接（而非全连接）优势：大幅减少参数量（如5×5局部连接 vs 全连接）保留空间局部相关性适合处理平移不变特征原理：同一卷积核在输入的不同位置使用相同参数计算优势：参数量从O(n²]]></description><category></category></item><item><title><![CDATA[t-SNE（t-分布随机邻域嵌入）]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/149199227</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/149199227</guid><author>m0_54570435</author><pubDate>Tue, 08 Jul 2025 15:28:36 +0800</pubDate><description><![CDATA[t-SNE是。]]></description><category></category></item><item><title><![CDATA[主成分分析（PCA）]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/149198991</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/149198991</guid><author>m0_54570435</author><pubDate>Tue, 08 Jul 2025 15:19:12 +0800</pubDate><description><![CDATA[PCA是一种强大且广泛使用的。]]></description><category></category></item><item><title><![CDATA[K 近邻（K-Nearest Neighbors, KNN）详解]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/149198667</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/149198667</guid><author>m0_54570435</author><pubDate>Tue, 08 Jul 2025 15:04:03 +0800</pubDate><description><![CDATA[K 近邻算法以其简单直观、无需参数拟合、适用于非线性问题的特点，成为机器学习中的经典方法。易于理解与实现，无需复杂的数学推导；对噪声数据不敏感（通过 K 值平滑）；适用于多分类任务，且可自然扩展到回归问题。但需注意其预测效率低、对高维数据不友好的局限性。在实践中，需根据数据规模、维度及分布特点，合理选择 K 值、距离度量与优化策略，以充分发挥其 “以邻为鉴” 的优势。]]></description><category></category></item><item><title><![CDATA[线性回归原理与实现方法]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/149198519</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/149198519</guid><author>m0_54570435</author><pubDate>Tue, 08 Jul 2025 14:55:49 +0800</pubDate><description><![CDATA[可解释性强：参数直接反映特征对目标的影响程度计算效率高：解析解和迭代解均可高效计算理论基础完善：统计推断方法成熟扩展性强：可轻松扩展到多项式回归、广义线性模型等尽管现代机器学习方法层出不穷，线性回归因其简洁性、可解释性和计算效率，仍然是数据分析师和研究人员工具箱中不可或缺的工具。]]></description><category></category></item><item><title><![CDATA[岭回归（Ridge Regression）详解]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/148613365</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/148613365</guid><author>m0_54570435</author><pubDate>Thu, 12 Jun 2025 16:43:55 +0800</pubDate><description><![CDATA[抗共线性：有效解决线性回归在特征高度相关时的参数不稳定问题；灵活性：通过 λ 参数精确控制正则化强度，适配不同复杂度的数据集；理论完备：兼具频率学派（正则化）与贝叶斯学派（先验分布）的解释，数学性质清晰。]]></description><category></category></item><item><title><![CDATA[机器学习之多项式回归]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/148006671</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/148006671</guid><author>m0_54570435</author><pubDate>Fri, 16 May 2025 14:54:01 +0800</pubDate><description><![CDATA[维度多项式回归模型复杂度高，可拟合非线性关系决策边界曲线（单变量）/ 超曲面（多变量）过拟合风险高（尤其高次多项式）特征依赖性依赖原始特征及其高次项组合适用场景非线性关系数据（如抛物线、周期函数）多项式回归是连接线性模型与非线性模型的桥梁，通过简洁的特征工程手段，在无需引入复杂算法的前提下提升模型表达能力。原理直观：基于线性回归框架，数学推导清晰易懂；灵活性强：通过调整多项式次数和正则化参数，可平衡拟合能力与泛化能力；计算高效：无需复杂优化算法，适合中小规模数据场景。]]></description><category></category></item><item><title><![CDATA[机器学习之SVM]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/148005848</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/148005848</guid><author>m0_54570435</author><pubDate>Fri, 16 May 2025 14:35:09 +0800</pubDate><description><![CDATA[适用场景推荐优先选择 SVM小样本、高维数据（如文本、图像特征向量）。线性可分或近似线性可分的数据，或可通过核函数转化为线性可分的场景。需要高泛化性能且计算资源有限的任务。谨慎使用场景样本量极大（\(n > 10^5\)），建议改用深度学习或近似算法（如 SGD-SVM）。特征维度极高且无明显结构（如百万级稀疏特征），需先降维。学习路径理论基础掌握向量空间、凸优化、拉格朗日对偶等数学工具。推导线性 SVM 的最大间隔优化过程，理解核函数的数学本质（ Mercer 定理）。工具实操。]]></description><category></category></item><item><title><![CDATA[机器学习之KNN]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/148001123</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/148001123</guid><author>m0_54570435</author><pubDate>Fri, 16 May 2025 10:58:06 +0800</pubDate><description><![CDATA[维度KNN模型类型懒惰学习、非参数模型训练阶段无（直接存储数据）计算成本预测时高（\(O(N)\)）可解释性高（依赖近邻样本直观解释）数据依赖依赖全部训练数据适用场景推荐小规模数据集（如 N<10,000）的快速验证。数据分布复杂、非线性关系明显的场景（如图像、推荐）。需要快速解释预测结果的场景（如医疗诊断辅助）。谨慎使用场景大规模数据集（如 N>100,000，内存与计算效率受限）。高维稀疏数据（如文本特征维度 > 10,000，距离度量失效）。学习路径理论基础。]]></description><category></category></item><item><title><![CDATA[机器学习之随机森林]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/147989035</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/147989035</guid><author>m0_54570435</author><pubDate>Thu, 15 May 2025 18:13:43 +0800</pubDate><description><![CDATA[维度随机森林模型结构多棵树集成，基树间具有随机性差异过拟合风险低（通过集成和随机性抑制）特征依赖性低（特征随机选择降低相关性）计算成本高（训练多棵树）可解释性低（集成模型难以解读）泛化能力高（集成降低方差）优先选择随机森林结构化数据（表格数据）的分类 / 回归任务（如 Kaggle 竞赛基线模型）。特征维度高且非线性关系复杂的场景（如用户行为分析）。需要快速评估特征重要性的探索性分析。谨慎使用场景实时预测需求（推理速度较慢，需提前训练并序列化模型）。]]></description><category></category></item><item><title><![CDATA[机器学习之朴素贝叶斯（Naive Bayes）]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/147988729</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/147988729</guid><author>m0_54570435</author><pubDate>Thu, 15 May 2025 17:57:46 +0800</pubDate><description><![CDATA[维度朴素贝叶斯模型类型生成式模型（建模联合分布）假设基础特征条件独立假设计算复杂度低（线性时间）可解释性中（概率值可解读，但特征依赖隐含）数据依赖性对小规模、高维数据友好适用场景文本分类、实时预测优先选择朴素贝叶斯文本 / 自然语言处理任务（如垃圾邮件过滤、情感分析）。特征维度高但样本量不大的场景（如基因表达数据分类）。需要快速搭建基线模型或对计算资源有限的场景。谨慎使用场景特征间存在强依赖关系且无法通过特征工程缓解（如时间序列数据）。]]></description><category></category></item><item><title><![CDATA[机器学习之逻辑回归]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/147988341</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/147988341</guid><author>m0_54570435</author><pubDate>Thu, 15 May 2025 17:43:59 +0800</pubDate><description><![CDATA[优先选择逻辑回归需要高可解释性的业务场景（如医疗诊断、金融合规）。数据线性可分或特征工程成本较低的任务。快速验证基线模型，为复杂模型（如神经网络）提供对比基准。谨慎使用场景高度非线性数据（如图像、文本）且缺乏特征工程支持。类别数量极多（如超过 100 类）或样本量极小（如少于 1000 条）。]]></description><category></category></item><item><title><![CDATA[机器学习之决策树]]></title><link>https://blog.youkuaiyun.com/m0_54570435/article/details/147987842</link><guid>https://blog.youkuaiyun.com/m0_54570435/article/details/147987842</guid><author>m0_54570435</author><pubDate>Thu, 15 May 2025 17:27:56 +0800</pubDate><description><![CDATA[优先选择决策树需要高可解释性的场景（如医疗诊断、金融风控）。数据规模较小或特征维度较低时（如几百个特征）。初步探索性分析，快速验证特征与目标的关系。谨慎使用场景高维稀疏数据（如文本数据，更适合线性模型或深度学习）。严格要求预测精度的复杂任务（需结合集成学习或深度学习）。]]></description><category></category></item></channel></rss>