- 博客(182)
- 收藏
- 关注
RSS订阅原创 第29讲 监督学习与无监督学习
监督学习和无监督学习是机器学习中两种主流方法。区分二者的最直接方式是观察训练数据集的类型及模型训练方式，但除此之外还存在其他差异，本章将深入探讨。
2025-09-25 12:01:05
69
原创 第28讲 强化学习
强化学习是一种机器学习方法，其核心是通过训练智能体（软件实体）来理解环境：智能体通过执行动作并观察结果来学习。对于每个正确的动作，智能体会获得正向反馈；而对于每个错误动作，则会获得负向反馈。这种学习方式灵感来源于动物从经验中学习的行为模式，即根据行动产生的后果来制定决策。在模型中，智能体处于特定状态中。它通过与环境交互执行动作以完成特定任务，并根据执行结果获得奖励或惩罚的反馈。
2025-09-25 11:57:57
120
原创 第27讲 半监督学习
半监督学习是一种既不完全属于监督学习也不完全属于无监督学习的机器学习方法。这类算法本质上介于监督学习与无监督学习方法之间。在半监督学习中，机器学习算法通过同时包含标注数据和未标注数据的数据集进行训练。该方法通常适用于拥有大量未标注数据的场景。监督学习需要人工标注数据，成本高昂；而无监督学习仅使用未标注数据，应用范围有限。半监督学习恰好在两者之间实现了完美平衡。
2025-09-25 11:53:53
71
原创 第26讲 无监督机器学习
无监督学习（又称无监督机器学习）是一种无需人类监督即可从数据中学习模式和结构的机器学习方法。它通过机器学习算法分析未标注数据集，自动发现其中的潜在规律。与监督学习不同，无监督学习模型使用未标注数据集进行训练。当无法获得预标注训练数据（如监督学习那样）但需要从输入数据中提取有用模式时，无监督学习算法尤为实用。
2025-09-25 11:50:47
106
原创 第25讲 监督式机器学习
监督学习（又称监督式机器学习）是一种通过使用带标签的数据集训练模型以预测结果的机器学习方法。带标签数据集包含输入数据（特征）及对应的输出数据（目标值）。监督学习算法的主要目标是通过多次训练数据实例，学习输入数据样本与相应输出之间的关联关系。
2025-09-25 11:38:42
97
原创 第24讲 机器学习-模型
存在多种机器学习算法、技术和方法，可用于构建模型以解决现实问题。本章将重点探讨这些不同的方法类型。根据人类监督程度的不同，机器学习方法主要分为以下四类：（1）监督学习（2）无监督学习（3）半监督学习（4）强化学习后续四个章节将详细讨论这些机器学习模型。此处先简要概述这些方法：
2025-09-25 11:33:32
201
原创 第23讲 机器学习中的数据准备
数据准备是机器学习流程中的关键环节，对最终模型的准确性和有效性具有重大影响。这一步骤需要对细节的精心关注，以及对数据和待解决问题的深入理解。让我们探讨如何通过恰当的数据准备使模型获得更好的准确性和结果。
2025-09-25 10:25:39
103
原创 第22讲 机器学习-数据理解
在开展机器学习项目时，我们往往忽略两个最关键的部分：数学基础与数据质量。正是数据驱动特性使得数据理解成为机器学习中至关重要的步骤——模型输出的优劣完全取决于我们提供的数据质量。数据理解本质上是通过分析和探索数据来识别其中可能存在的模式或趋势，通常包含以下阶段：1）数据收集：从数据库、网站和API等多种渠道搜集相关分析数据2）数据清洗：清除无关或重复数据，处理缺失值，将数据格式化为易于分析的格式3）数据探索：运用直方图、散点图和相关性分析等统计技术发现数据内在模式
2025-09-25 10:10:39
90
原创 第21讲 机器学习-数据加载
假设您要启动一个机器学习项目，首先且最重要的需求是什么？正是我们需要加载的数据——这是启动任何机器学习项目的基石。在机器学习中，数据加载是指从外部源导入或读取数据，并将其转换为机器学习算法可用的格式的过程。随后数据需经过预处理以消除不一致性、缺失值或异常值。完成预处理后，数据被划分为训练集和测试集，分别用于模型训练和评估。数据可来自多种来源，如CSV文件、数据库、Web API、云存储等。机器学习项目最常用的文件格式是CSV（逗号分隔值）。
2025-09-25 10:00:08
219
原创 第20讲 机器学习中的分类数据
在机器学习中，分类数据是指由类别或标签组成的数据，而非数值型数据。这些类别可以是名义尺度（无内在顺序，如颜色、性别），也可以是顺序尺度（存在自然排序，如教育水平、收入层级）。分类数据通常用离散值（如整数或字符串）表示，并在作为机器学习模型输入前常被编码为独热向量。独热编码会为每个类别创建一个二进制向量，其中对应类别的位置为1，其余位置为0。
2025-09-22 16:27:32
162
原创 第19讲 机器学习-获取数据集
机器学习模型的质量完全取决于其训练数据的质量。因此，获取高质量相关数据集是机器学习流程中的关键步骤。目前存在许多开源数据仓库（如Kaggle）可供下载数据集，您也可以购买数据、爬取网站或独立收集数据。以下将介绍机器学习数据集的多种来源及获取方式。
2025-09-22 16:21:54
38
原创 第18讲 机器学习与深度学习
在人工智能领域，"机器学习"与"深度学习"这两个术语常被混用。尽管这两种技术都用于创建智能系统，但它们并非同一概念。机器学习是人工智能（AI）的子领域，使机器能够在没有显式编程的情况下学习；而深度学习是机器学习的子集，使用神经网络处理复杂数据。本章将探讨机器学习与深度学习的区别及其内在联系。
2025-09-22 16:15:46
160
原创 第17讲 机器学习vs神经网络
机器学习与神经网络是人工智能（AI）领域的两项重要技术。虽然它们经常结合使用，但并非同一概念。下文将探讨机器学习与神经网络的区别及其内在联系。
2025-09-22 16:13:33
104
原创 第16讲 人工智能和机器学习的区别
人工智能与机器学习是科技领域两个常被混用的热门术语。尽管它们经常被互换使用，但二者并非同一概念。人工智能（AI）和机器学习（ML）虽相互关联，却在定义、应用和内涵上存在显著差异。本文将深入探讨机器学习与人工智能的区别及其内在联系。
2025-09-22 16:11:43
97
原创 第15讲 机器学习的数学
机器学习是一个融合计算机科学、统计学和数学的跨学科领域。其中，数学在开发和理解机器学习算法过程中起着至关重要的作用。本章将探讨机器学习必备的数学概念，包括线性代数、微积分、概率论和统计学。
2025-09-22 15:56:29
102
原创 第14讲 机器学习的数据结构
数据结构在机器学习中发挥着关键作用，它有助于数据的组织、操作和分析。数据是机器学习模型的基础，而所使用的数据结构会显著影响模型的性能和准确性。数据结构能帮助构建和理解机器学习中的各种复杂问题。精心选择数据结构有助于提升性能并优化机器学习模型。
2025-09-22 15:54:59
88
原创 第12章 机器学习 - 局限性
机器学习作为一项强大的技术，虽然革新了数据分析的方式，但与其他技术一样存在局限性。以下是机器学习的主要限制：12.1 数据质量依赖性机器学习模型的效果完全取决于训练数据质量。如果数据存在缺失、偏差或质量低下，模型性能将大打折扣。12.2透明度缺失复杂的机器学习模型往往难以解释其预测逻辑，这种透明度的缺乏使得向利益相关者阐释模型结果变得困难。
2025-09-22 15:52:38
134
原创 第13讲 机器学习 - 现实应用案例
机器学习通过自动化流程、预测结果和发现海量数据中的规律，正在深刻变革各行各业。机器学习的现实应用包括谷歌助手、Siri和Alexa等虚拟助手与聊天机器人，推荐系统，特斯拉自动驾驶，IBM沃森肿瘤诊断等。许多人认为机器学习是关乎未来机器人的复杂技术。但事实上，我们每个人都在日常生活中有意或无意地使用机器学习技术，例如谷歌地图、电子邮件和Alexa等。以下是机器学习最典型的现实应用：• 虚拟助手与聊天机器人• 金融欺诈检测• 医疗诊断与治疗• 自动驾驶车辆• 推荐系统
2025-09-22 15:50:15
114
原创 第11讲 机器学习 - 挑战与常见问题
机器学习作为一个快速发展的领域，虽具有广阔的应用前景，但仍需应对诸多挑战才能充分发挥其潜力。以下是机器学习面临的主要挑战与常见问题：11.1 过拟合（Overfitting）当模型在有限数据集上过度训练变得过于复杂时，会导致在新数据上表现不佳。可通过交叉验证、正则化和早停法等技术解决。11.2 欠拟合（Underfitting）模型过于简单无法捕捉数据规律时会出现欠拟合。可通过采用更复杂模型或增加数据特征来改善。
2025-09-22 12:52:30
122
原创 第10讲 机器学习实施流程
机器学习的实施包含以下几个关键步骤：10.1 数据收集与准备实施机器学习的第一步是收集用于训练和测试模型的数据。数据必须与待解决的业务问题相关。收集完成后，需要对数据进行预处理和清洗，以消除不一致性和缺失值。10.2 数据探索与可视化下一步是通过探索和可视化数据来理解其结构特征，识别潜在模式与趋势。可使用matplotlib和seaborn等工具创建直方图、散点图和热力图等可视化图表。
2025-09-22 11:45:57
95
原创 第9讲 机器学习必备技能
机器学习是一个快速发展的领域，要在此领域取得成功，需要兼具技术能力与软技能。随着机器学习在各行业的应用不断扩展，选择成为机器学习专家将是明智的职业规划。请务必掌握所有能提升机器学习职业能力的相关技能。以下是机器学习所需的关键技能：• 编程能力• 统计学与数学• 数据结构• 数据预处理• 数据可视化• 机器学习算法• 神经网络与深度学习• 自然语言处理• 解决问题能力
2025-09-22 11:38:40
28
原创 第8讲 机器学习生命周期
机器学习生命周期：构建端到端机器学习项目或解决方案的迭代过程。构建机器学习模型是一个持续演进的过程，尤其在数据量不断增长的背景下更显重要。机器学习通过使用现实世界数据训练模型来提升系统性能，为确保项目成功需要遵循明确定义的步骤，而机器学习生命周期正为我们提供了这些标准化阶段。
2025-09-22 11:33:32
105
原创 第7讲 机器学习应用
机器学习已成为一种无处不在的技术，深刻影响着我们生活的方方面面，从商业运营到医疗保健再到娱乐休闲。它通过辅助决策和探索问题的所有可能解决方案，有效提升各行业的工作效率。机器学习成功应用的领域包括聊天机器人、语言翻译、人脸识别、推荐系统、自动驾驶汽车、目标检测和医学影像分析等。以下是机器学习的几个热门应用场景：• 图像与语音识别• 自然语言处理• 金融领域• 电子商务与零售• 汽车工业• 计算机视觉• 制造业与工业• 医疗健康领域
2025-09-22 11:15:30
39
原创 第6讲 机器学习Python库
Python库是代码与函数的集合，可用于执行特定任务。它们通常用于简化和自动化重复性高、复杂度大的编程任务。众所周知，机器学习是一个跨学科领域，每个算法都需要结合编程与数学知识来实现。相较于手动编写包含数学和统计公式的完整算法，使用现成库能显著提高开发效率。Python因其简洁性、丰富的库生态系统及易用性，成为实现机器学习最受欢迎的编程语言。以下是常用的Python机器学习库：• NumPy• Pandas• SciPy• Scikit-learn• PyTorch
2025-09-22 11:11:49
740
原创 第5讲 机器学习生态构成
机器学习生态系统指开发机器学习应用所需工具与技术的集合。Python通过以下核心组件构建了完整的机器学习生态，使其成为机器学习与数据科学的重要语言：• 编程语言：Python• 集成开发环境（IDE）• Python功能库
2025-09-10 22:45:18
237
原创 第3讲 机器学习入门指南
近年来，随着企业和个人生成的数据量呈指数级增长，机器学习已成为日益重要的技术领域。从自动驾驶汽车到流媒体平台的个性化推荐，机器学习算法已广泛应用于各个场景。让我们深入解析机器学习的核心要义。
2025-09-10 22:07:44
90
原创 第2讲 机器学习 - 导论
我们正处在一个"数据时代"，更强的计算能力和更丰富的存储资源使数据总量与日俱增。然而真正的挑战在于如何从海量数据中提取价值。企业与组织正通过数据科学、数据挖掘和机器学习的技术体系构建智能系统应对这一挑战。其中，机器学习已成为计算机科学中最令人振奋的领域——称之为"让数据产生意义的算法科学与应用"毫不为过。
2025-09-10 22:07:09
92
原创 第1讲 机器学习（ML）教程
机器学习是人工智能（AI）的重要分支，通过开发算法和统计模型，使计算机能够从数据中自主学习并做出预测或决策，而无需依赖显式编程。
2025-09-10 22:06:20
492
原创 解决ModuleNotFoundError: No module named ‘torchcrf‘
运行深度学习程序时候，出现报错：ModuleNotFoundError: No module named 'torchcrf'
2024-10-03 16:35:39
1317
1
原创 [3.4]【机器人运动学MATLAB实战分析】PUMA560机器人逆运动学MATLAB计算
PUMA560是六自由度关节型机器人，其6个关节都是转动副，属于6R型操作臂。各连杆坐标系如图1，连杆参数如表1所示。本文对PUMA560机器人逆运动学进行分析并MATLAB计算
2024-10-03 16:34:21
1729
原创 【机器人工具箱Robotics Toolbox开发笔记（二十）】机器人工具箱SerialLink I类函数参数说明
机器人工具箱中的SerialLink表示串联机器人型机器人的具体类。该类使用D-H参数描述，每个关节一组。本节对SerialLink I类包含的参数进行详细讲述
2024-09-07 21:08:42
586
原创 【机器人工具箱Robotics Toolbox开发笔记（十九）】机器人工具箱Link类函数参数说明
机器人工具箱中的Link对象保存于机器人连杆相关的所有信息，如运动学参数、刚体惯性参数、电机和传动参数等。
2024-09-07 21:07:46
628
原创 【机器人工具箱Robotics Toolbox开发笔记（十八）】SCARA机器人的gui界面：正运动学仿真实例
本文通过机器人工具箱实现SCARA机器人的GUI界面以进行正运动学分析，主要涉及到MATLAB的Robotics Toolbox以及GUI工具箱的使用。
2024-09-07 21:06:58
644
原创 【机器人工具箱Robotics Toolbox开发笔记（十七）】PUMA560机器人圆弧轨迹规划仿真实例
本文主要展示了如何在MATLAB中使用Robotics Toolbox来处理一个六轴机器人（这里以PUMA 560机器人为例）的轨迹规划问题。
2024-09-07 21:05:54
1449
原创 【机器人工具箱Robotics Toolbox开发笔记（十六）】SCARA机器人关节空间轨迹规划仿真实例
在使用MATLAB的Robotics Toolbox进行SCARA机器人的关节空间轨迹规划仿真时，我们需要首先定义机器人的DH参数（或修改参数以匹配SCARA机器人的结构），然后规划关节角度的轨迹，并最后通过仿真来观察机器人的运动。
2024-09-07 21:04:20
714
原创 【机器人工具箱Robotics Toolbox开发笔记（十五）】六自由度机器人笛卡尔空间轨迹规划仿真实例
使用机器人工具箱（如Robotics Toolbox）进行六自由度机器人的笛卡尔空间轨迹规划是一个常见的机器人编程任务。这里我将提供一个基于Robotics Toolbox的示例来说明如何完成这个任务。
2024-09-07 21:03:30
624
原创 【机器人工具箱Robotics Toolbox开发笔记（十四）】三连杆机器人直线轨迹规划仿真实例
本文所展示的案例，正是通过给定两个点的坐标值，首先计算出末端执行器的目标位姿，随后基于这一精确的位姿信息，进一步规划并生成直线运动轨迹，以确保机器人能够准确无误地完成预定任务。
2024-09-07 21:01:51
750
原创 【机器人工具箱Robotics Toolbox开发笔记（十三）】三自由度机器人圆弧轨迹规划仿真实例
本实例具体展示了如何基于给定的两个点，计算出末端的精确位姿，并以此为基础，进一步规划出一条平滑的圆弧轨迹供机器人执行。这样的流程确保了机器人能够沿着预定的路径，精准且高效地完成任务。
2024-09-07 20:59:59
837
原创 【机器人工具箱Robotics Toolbox开发笔记（十二）】 机器人运动轨迹规划
笛卡尔空间描述：在三维空间中，直接以直角坐标系（X, Y, Z）描述机器人的位置，同时以欧拉角、四元数等方式描述其姿态。例如，生成一个初始位置为0，最终位姿为4，初速度为2，最终速度为0，最初加速度和最终加速度都为0，时间长度为20的轨迹；轨迹规划：根据具体的操作任务，为机器人设计并指定一条在空间中合理且高效的移动路径。轨迹描述：对已规划好的轨迹进行精确的数学描述，包括其形状、长度、速度变化等特征。在机器人学中，机器人的运动轨迹是其各关节在三维空间中随时间变化的位置、速度和加速度的综合表现。
2024-09-07 20:55:50
1101
【Robotics-TOOLBOX(机器人工具箱)源代码】PUMA560多段复杂线条规划
2025-04-21
【Robotics-TOOLBOX(机器人工具箱)源代码】六自由度机器人线性轨迹及末端执行器姿态规划
2025-04-21
【Robotics-TOOLBOX(机器人工具箱)源代码】多目标优化路径规划的搜索算法
2025-04-21
【Robotics-TOOLBOX(机器人工具箱)源代码】scara机器人笛卡尔空间轨迹规划
2025-04-21
【matlab源码】使用核主成分分析（KPCA）实现降维、特征提取、故障检测和故障诊断的MATLAB代码
2025-06-16
【matlab源码】滚珠轴承故障诊断
2025-06-16
【Robotics-TOOLBOX(机器人工具箱)源代码】puma560建立及方形圆形路径规划
2025-04-21
【Robotics-TOOLBOX(机器人工具箱)源代码】MATLAB Robotics toolbox机器人工具箱坐标运算
2025-04-21
【Robotics-TOOLBOX(机器人工具箱)源代码】六自由度机器人点位笛卡尔空间路径轨迹规划
2025-04-21
【Robotics-TOOLBOX(机器人工具箱)源代码】六自由度机器人点位笛卡尔路径规划
2025-04-21
【Robotics-TOOLBOX(机器人工具箱)源代码】六自由度UR机械臂正逆运动学及工作空间分析
2025-04-21
【Robotics-TOOLBOX(机器人工具箱)源代码】基于Peter Corke机器人工具箱的八自由度收割机器人仿真
2025-04-21
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人