李宏毅机器学习笔记（六）

最新推荐文章于 2025-08-14 15:17:58 发布
原创 最新推荐文章于 2025-08-14 15:17:58 发布 · 139 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习

本文介绍了深度学习的基本流程，包括构建神经元组合模型，通过计算交叉熵评估模型，并使用梯度下降法找到最佳模型参数。重点讲解了完全连接前馈网络的结构，以及如何优化模型。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

深度学习简介

  • 深度学习三个步骤
    在这里插入图片描述
    在这里插入图片描述
    1.构建神经元的组合构造就是完成第一步：建立模型
    有一个常用的组合方式，完全连接前馈网络：
    在这里插入图片描述
    输入层，隐含层和输出层，将每层的单位成为神经元。
    2.评价模型，计算交叉熵
    在这里插入图片描述
    对所有训练集的交叉熵求和，找出使之最小的参数。
    在这里插入图片描述
    3.找出最佳模型，仍然使用梯度下降的方法
    在这里插入图片描述
【第一周】李宏毅机器学习笔记01
qq_30043925的博客
06-30 2461
本周学习了机器学习的基本概念，包括机器学习的函数输入输出类型以及函数的分类，分别了解了简单模型和复杂模型的训练三步骤。认识了神经网络的的结构，了解了深度学习的训练三步骤，学习并手动推导了反向传播法，进一步理解了反向传播的思想以及反向传播中涉及的计算思路。
李宏毅机器学习笔记
m0_69646701的博客
08-15 605
记录学习李宏毅机器学习的过程，方便知识点的梳理。
李宏毅机器学习笔记P1
ChrisLiu666的博客
06-05 167
假设我们想要写出一个能预测b站up主视频点击量的函式，那我们需要进行以下的步骤。经过更多数据的训练和修改，找到一个预测结果最接近的linear model。Classification 分辨，选择，并且选项可以非常多。Structured Learning 写文章，生成图像。发现函式预测的数据就在根据前一天的数据，这样不准确。Regression 输出标量，如数值。
李宏毅机器学习深度学习笔记一机器学习深度学习原理
dly0000_1的博客
03-11 831
李宏毅老师机器学习深度学习经典课程笔记。
李宏毅机器学习笔记-Transformer
WBingJ的博客
01-01 1587
Transformer 中的每个 Block 结构较为复杂，不仅包括 self-attention 层和全连接（FC）层，还结合了 residual connections 和 layer normalization 技术，以提高模型性能和训练稳定性。
李宏毅机器学习笔记6
qq_62270288的博客
07-27 854
本周继续学习李宏毅老师2025春季机器学习课程，学习内容主要是与batch相关的概念以及batch划分大小的影响及后果。在没有平行计算时小batch更新更快，有平行计算时大小batch更新时间基本相同。在epoch耗时上大batch计算更快，但在准确率上小batch在训练与测试中均表现更佳。%5Ctheta。
2023春季李宏毅机器学习笔记 02 ：机器学习基本概念
女王の专属领地
01-02 1468
课程主页：https://speech.ee.ntu.edu.tw/~hylee/ml/2023-spring.php Github：https://github.com/Fafa-DL/Lhy_Machine_Learning B站课程：https://space.bilibili.com/253734135/channel/collectiondetail?sid=2014800
李宏毅机器学习笔记：机器学习介绍
qq_43711697的博客
08-01 820
前言 本文记录了关于机器学习的基本介绍，机器学习的一个基本的框架以及机器学习的相关技术，并且本文是基于台湾李宏毅机器学习课程的基础上所做的笔记。 一、机器学习介绍 机器学习是什么 机器学习的本质其实就是在寻找一个Function，这个Function可以满足我们的期望：输入一个特定的值，输出我们所需要的，比如在自然语言方面输入一段语音期望能够识别出语音的内容，在图像识别方面，输入图像期望输出图像内容的类别等等 机器学习的总体过程 机器学习的总体过程可以分为三个部分：第一找到特定的Functi
李宏毅机器学习课程笔记01 | Introduction of Machine/Deep Learning
好好学习天天向上
01-04 1117
函数的输入是b和w，函数的输出是输入某个特定的b和w，模型结果是是好还是不好L越大说明模型不好，L越小说明模型好假设有一个损失函数L(0.5k,1) ，模型为y=b+wx1 => y=0.5k+1x1(k是千人的意思)训练数据(本案例过去的订阅次数)输入到模型(函数)中，比如x输入1月1日订阅人数4.8k，计算得到模型预测的y(1月2日订阅人数)为5.3k，但实际只有4.9k求取估测的值跟实际的值（Label） 之间的差距。
李宏毅机器学习笔记：RNN循环神经网络
夏之微风的博客
09-03 2263
第3个输入为[2,2]，结合前一个memory的输入为[6,6]，这个时候hidden layer的输出为[16,16]，output为[32,32]。这个时候结合前一个memory的输出[2,2]，hdden layer的输出为[6,6]，output为[12,12]。举例来说，我们输入的第一个向量为[1,1]，则hidden layer的输出为[2,2]，先被储存起来，输出为[4,4]。这样，将词汇向量化之后，我们指导，网络的输入为一个个的词汇向量，网络的输出则为：y1表示词汇属于。
【李宏毅机器学习笔记】8、Tips for Training DNN
01-06
【李宏毅机器学习笔记】1、回归问题（Regression） 【李宏毅机器学习笔记】2、error产生自哪里？ 【李宏毅机器学习笔记】3、gradient descent 【李宏毅机器学习笔记】4、Classification 【李宏毅机器学习笔记】5、...
机器学习-决策树（DecisionTree）
iamfromhuoxing的博客
08-11 1189
对于一个离散随机变量XXX，其可能取值为x1x2xnx1​x2​...xn​，对应的概率分布为p1p2pnp1​p2​...pn​HX−∑i1npilog⁡2piHX−i1∑n​pi​log2​pi​其中，piPXxipi​PXxi​表示随机变量XXX取值为xix_ixi​的概率。给定随机变量XXX和YYYXXX在YY。
机器学习（1）
ylqw258369的博客
08-14 506
如图所示， 若一条曲线完全 “包裹” 另一条（如 A 包裹 B、C ），则被包裹的曲线性能更差。向量表示：在机器学习中，对于包含m个示例的数据集D={x1​,x2​,...,xm​}，当每个样本由d个属性描述时，每个样本xi​可表示为d维向量(xi1​,xi2​,...,xid​)，该向量处于d维样本空间X中，其中d被称为样本xi​的 “维数”操作：按 7:3 比例，选取 70 个样本（保持 “好瓜占 60%、坏瓜占 40%” 的原始比例，即分层采样）作为训练集，30 个样本作为测试集。
机器学习 - Kaggle项目实践（2）房价预测问题
最新发布
nju_spy的博客
08-14 868
本文介绍了Kaggle房价预测问题的两种解决方案：1) 使用TensorFlow决策森林(TF-DF)模型，直接处理原始数据，通过随机森林实现回归预测，并分析特征重要性；2) 采用集成学习方法，包括数据预处理（处理异常值、缺失值、特征工程）、多种模型(ENet,GBoost,KRR,lasso)的简单平均和Stacking集成，最终通过加权平均(Stacking70%+XGBoost15%+LGBM15%)得到最优结果。两种方法都展示了完整的数据分析和建模流程，其中集成学习方法取得了更好的预测效果。
数据挖掘3.1支持向量机——引言
moranxiao199的博客
08-11 748
源头介绍支持向量机的理论基础——经验误差最小化 + 结构最小化
机器学习TF-IDF算法详解
2201_75607087的博客
08-11 973
TF-IDF是一种统计方法，用于评估一个词在文档集合（语料库）中某个文档里的重要程度。词频 (Term Frequency, TF)：一个词在文档中出现的次数越多，它对这个文档的重要性可能就越高。逆文档频率 (Inverse Document Frequency, IDF)：一个词在所有文档中出现的文档数越少（即越稀有），它区分文档的能力就越强，重要性就越高。简单来说，TF-IDF值高的词，是那些在当前文档中频繁出现，但在整个语料库的其他文档中很少出现的词。这些词往往最能代表该文档的独特主题。
PyTorch基础(使用Numpy实现机器学习)
钢铁男儿
08-11 767
前面已经介绍了Numpy、Tensor的基础内容，对如何使用Numpy、Tensor操作数组有了一定认识。为了加深大家对使用PyTorch完成机器学习、深度学习的理解，本章剩余章节将分别用Numpy、Tensor、autograd、nn及optimal来实现同一个机器学习任务，比较它们之间的异同及各自优缺点，从而使读者加深对PyTorch的理解。首先，我们用最原始的Numpy实现有关回归的一个机器学习任务，不用PyTorch中的包或类。
深度解读李宏毅机器学习笔记要点
从给定的信息来看，这份文档文件的标题为“李宏毅机器学习笔记”，这表明文档的主要内容是关于机器学习方面的知识，且可能与李宏毅教授有关。李宏毅是一位在人工智能、机器学习领域有一定研究和教学经验的学者，因此...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值