一碗菜粥的博客

参考了几个大佬的文章一文弄懂神经网络中的反向传播法——BackPropagation反向传播——通俗易懂python 反向传播算法的入门教程的简单代码实现所以——真的就是跟着大佬弄懂反向传播法

准备开始强化学习的内容了！鸡冻.jpg1.从智能体开始入门这里参考了一篇不错的小文章智能体到底是什么？这里有一篇详细解读写得狠不戳！这里总结一下另外 本课程的参考书 中对本模块的描述如下人工智能 一种现代方法 第2章 智能化智能体什么是智能体？智能体通过传感器感知其周围环境 通过执行器对其进行操作智能体在感知 思考 行动的周期中往返运行。【1】以人类为例，我们是通过人类自身的五个感官（传感器）来感知环境的，然后我们会对环境进行一个思考继而使用我们的身体部位（执行器）去执行操作

文章目录1. 各种范数的特性闵可夫斯基距离曼哈顿距离与欧几里得距离切比雪夫距离范式球 范式锥 欧式球 椭球2.如何评估算法性能更简单一点的评估方法：1. 各种范数的特性L0范数L1范数L2范数无穷范数两位大佬讲得很好 直接引用过来范数（norm） 几种范数的简单介绍如何通俗易懂地解释「范数」？闵可夫斯基距离曼哈顿距离与欧几里得距离该距离最常用的 p 是 2 和 1,其中，p=1——曼哈顿距离p=2——欧几里得距离举个栗子我们要从P到Q（其中白色——高楼大厦 灰色—

数据挖掘课程刚刚讲完人工神经网络ANN然后介绍了一些相关的概念为了训练得到神经网络参数w b 而使用的梯度下降啊 反向传播啊看着ppt 听着老师讲课然后就…没听懂咳咳 所以 逛逛优快云巩固下神经网络基础 学习下反向传播吧参考了几篇文章[Mechine Learning & Algorithm] 神经网络基础一文弄懂神经网络中的反向传播法——BackPropagationpython 反向传播算法的入门教程的简单代码实现文章目录1.神经网络基础引入M-P神经元模型感知机和神

1.引入“4个复参数可以拟合出一个大象”例子引出——参数过多是引发过拟合的主要原因2.Bias VS Variance机器学习中训练数据时 进行交叉验证涉及到的知识点：先引入几个概念Bias 偏差Variance 方差Error 误差Error = Variance + Bias什么代表准确呢？准—判断训练集结果的BiasBias——偏差 描述的是根据样本拟合出的模型的输出预测结果的期望与样本真实结果的差距（描述了在样本上拟合的好不好）代表了 准想要在Bias上表现好

第二章持续更新ing文章目录关注我的公众号~ 一起学习1.二分分类举个栗子二分分类目的2.logistic回归（的模型）什么是logistic回归？logistic模型logistic回归的输出3.logistic回归损失函数举例3'.logistic回归成本函数4.梯度下降法关注我的公众号~ 一起学习欢迎大家扫码关注我的公众号~ 获取更多学习资源与内容目前学习内容：前端基础知识点学习-JS红宝书/CSS权威手册（这个就不发了哈哈哈当个兴趣）跟着《算法图解》扎实学习数据结构与算法从0.1开始

文章目录第一章 深度学习概述1.什么是神经网络？2.用神经网络进行监督学习结构化数据非结构化数据小结3.深度学习兴起的原因神经网络的优势算法革新帮助研究人员在深度学习的工作中迭代地更快4.此课程学习的内容5.第一章习题练习6.关注我的公众号~ 一起学习第一章 深度学习概述1.什么是神经网络？稍微复杂一点的神经网络2.用神经网络进行监督学习输入 输出在例一的应用（房地产）；在线广告； ——标准的神经网络（正如例一中所说的那样）在计算机视觉的应用；——卷积神经网络 CNN语音识

文章目录1.主要内容2.混淆矩阵3.基于局部的链路预测4.基于路径相似的算法局部路径指标（local path）Katz指标5.网页排序PageRank算法1.算法中心思想及基本概念2.相关算法算法原理初步公式含义排名泄露排名下沉本课程的第一章节1.主要内容预测——预测经常使用的领域预测的模型评价预测好坏的方法、指标提高预测度精准度的方法2.混淆矩阵帮助我们识别机器学习正确和错误的地方3.基于局部的链路预测Common neighborsJaccardResource

开门见山我的电脑里有python编译器如何装pytorch框架？答——用anaconda进行安装翻阅了n多的文章 发现一个真理看得越多 越容易出问题那这里我针对每一个需要实现的目的 只放一篇对应的文章（实在懒得自己再总结一遍了）出现问题的朋友 安心照着这几篇文章走就行当然 也是为了我自己哪天需要重装。。。1.安装anaconda这部分 看这篇文章安装anaconda这篇文章写得可以说是相当清楚了但是在设置镜像源的时候有一些问题截止到这里我们都可以照做2.设置镜像源截止