<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_45801244的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_45801244</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_45801244]]></copyright><item><title><![CDATA[动手学AI辅助编程Task1笔记]]></title><link>https://blog.youkuaiyun.com/qq_45801244/article/details/144704630</link><guid>https://blog.youkuaiyun.com/qq_45801244/article/details/144704630</guid><author>qq_45801244</author><pubDate>Tue, 24 Dec 2024 23:04:28 +0800</pubDate><description><![CDATA[#Datawhale AI冬令营]]></description><category></category></item><item><title><![CDATA[Datawhale X 李宏毅苹果书 AI夏令营task3]]></title><link>https://blog.youkuaiyun.com/qq_45801244/article/details/141874170</link><guid>https://blog.youkuaiyun.com/qq_45801244/article/details/141874170</guid><author>qq_45801244</author><pubDate>Tue, 03 Sep 2024 23:38:38 +0800</pubDate><description><![CDATA[如果随机分验证集，可能会分得不好，分到很奇怪的验证集，会导致结果很差，如果有这个担心的话，可以用 k 折交叉验证（k-foldcross validation），如图 2.11 所示。不匹配跟过拟合不同，一般的过拟合可以用搜集更多的数据来克服，但是不匹配是指训练集跟测试集的分布不同，训练集再增加其实也没有帮助了，所以这种问题要怎么解决，匹不匹配要看对数据本身的理解了,我们可能要对训练集跟测试集的产生方式有一些理解，才能判断它是不是遇到了不匹配的情况。模型太复杂的就过拟合，选太简单的有模型偏差的问题。]]></description><category></category></item><item><title><![CDATA[Datawhale X 李宏毅苹果书 AI夏令营task2]]></title><link>https://blog.youkuaiyun.com/qq_45801244/article/details/141760692</link><guid>https://blog.youkuaiyun.com/qq_45801244/article/details/141760692</guid><author>qq_45801244</author><pubDate>Sat, 31 Aug 2024 23:55:40 +0800</pubDate><description><![CDATA[所以实现上每次会先选一个批量，用该批量来算 L1，根据 L1 来算梯度，再用梯度来更新参数，接下来再选下一个批量算出 L2，根据 L2 算出梯度，再更新参数，再取下一个批量算出 L3，根据 L3 算出梯度，再用 L3 算出来的梯度来更新参数。所以只要有不同的 w 不同的 b 不同的 c，就可以制造出不同的 Sigmoid 函数，从而近似不同的连续的函数。我们可以不只用一个特征 x1，可以用多个特征代入不同的 c, b, w，组合出各种不同的函数，从而得到更有灵活性（flexibility）的函数。]]></description><category></category></item><item><title><![CDATA[Datawhale X 李宏毅苹果书 AI夏令营task1]]></title><link>https://blog.youkuaiyun.com/qq_45801244/article/details/141615207</link><guid>https://blog.youkuaiyun.com/qq_45801244/article/details/141615207</guid><author>qq_45801244</author><pubDate>Tue, 27 Aug 2024 23:56:23 +0800</pubDate><description><![CDATA[这个方法会有局部最小值的问题， 无法真的找到全局最小值。事实上局部最小值是一个假问题，在做梯度下降的时候，真正面对 的难题不是局部最小值。线性回归不存在局部最小值的原因在于其损失函数是凸函数、损失空间没有弯曲，凸函数保证了所有的局部最小值也是全局最小值，即任何找到的最小值点都是该函数的最低点。），现在要找的函数的输出就是从设定好的选项里面选择一个当作输出，该任务称为分类。这个夏令营不简单 #AI夏令营 #Datawhale #夏令营。假设要找的函数的输出是一个数值，一个标量（scalar。]]></description><category></category></item><item><title><![CDATA[电力需求预测挑战赛Task2笔记]]></title><link>https://blog.youkuaiyun.com/qq_45801244/article/details/140579921</link><guid>https://blog.youkuaiyun.com/qq_45801244/article/details/140579921</guid><author>qq_45801244</author><pubDate>Sat, 20 Jul 2024 23:56:16 +0800</pubDate><description><![CDATA[#AI夏令营 #Datawhale #夏令营]]></description><category></category></item><item><title><![CDATA[分子AI预测赛笔记]]></title><link>https://blog.youkuaiyun.com/qq_45801244/article/details/140254063</link><guid>https://blog.youkuaiyun.com/qq_45801244/article/details/140254063</guid><author>qq_45801244</author><pubDate>Sun, 07 Jul 2024 22:53:56 +0800</pubDate><description><![CDATA[#AI夏令营 #Datawhale #夏令营]]></description><category></category></item></channel></rss>