#李宏毅机器学习：DataWhale 2021八月组队打卡

最新推荐文章于 2025-12-03 17:31:48 发布
原创 最新推荐文章于 2025-12-03 17:31:48 发布 · 196 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

本文记录了作者两个月期间对李宏毅机器学习课程的学习进度，涵盖任务01至06，包括回归分析、梯度下降、深度学习原理及卷积神经网络的应用。
精选资源
machineLearningDeepLearning:李宏毅2021机器学习深度学习笔记PPT作业
05-11
李宏毅老师2021年Spring机器学习深度学习上线新课程，持续更新中 PPT，作业代码，学习笔记，上课代码，tensorflow|pytorch将会上传到github，欢迎Star，请多多鼓励。 如何下载本库内容 下载方式 1 git工具下载 ​ ...
李宏毅机器学习2021HW3食物数据集
07-06
1、本资源为台大李宏毅深度学习课程作业数据集。 2、训练集内含课程所需数据集 3、提供下载便利
Datawhale-2021年10月组队学习-李宏毅机器学习打卡
Timothy_Liuu的博客
10-11 406
Datawhale-2021年10月组队学习李宏毅机器学习打卡Task01 李宏毅机器学习打卡 Task01 参照开源文档，观看视频 P1-2：机器学习介绍 在视频P1中，李宏毅老师对机器学习进行了整体概括性的介绍。 相关概念的包含关系为：（人工智能（机器学习（深度学习））） 目前其实很多的人工智能并不是真实意义上的智能，而是“hand-crafted rules”，是由大量的if结构组成的，这样其实计算机是无法真正做到学习的行为，也就永远无法超越人类。我十分同意李宏毅老师的一个观点“机器学习发展，对比较
2021-07 李宏毅机器学习打卡Task02：回归
qq_40258328的博客
07-14 330
Task02 回归 学习地址 李宏毅机器学习B站视频地址 李宏毅机器学习开源笔记地址 论坛版块 回归 定义和例子比较简单，不详细介绍。主要总结一下相关理解和注意点。 模型步骤 step1：模型假设，选择模型 可以选择线性模型，一元的或多元的 ps：线性模型不仅仅只是一次的，也可以是n次的以及其他交叉的，只需将 xn 看作是一个特征即可 step2：模型评估，如何判断众多模型的好坏（损失函数） 对于线性回归选择误差平方和即可 ps：这是一个凸函数，故在用gradient descent寻找最优
2021-07 李宏毅机器学习打卡Task03：误差来源、梯度下降
qq_40258328的博客
07-16 410
Task03 误差来源、梯度下降 学习地址 李宏毅机器学习B站视频地址 李宏毅机器学习开源笔记地址 论坛版块 误差error 误差来源 来源一：bias(一般见于underfitting) 在训练集上loss就很大 —> model bias 来源二：variance(一般见于overfitting) 在训练集上可能表现很好loss很小(比如把输入特征很多，模型参数很多，将模型建得很复杂)，在测试集上效果反而变差 —> overfitting Bias v.s Variance 简
2021-07 李宏毅机器学习打卡Task01：机器学习介绍
qq_40258328的博客
07-12 297
Task01 机器学习介绍 学习地址 李宏毅机器学习B站视频地址 李宏毅机器学习开源笔记地址 论坛版块 机器学习介绍 人工智能AI/机器学习ML/深度学习DL之间的关系 AI > ML > DL AI是目标，ML是想要达成目标的手段，DL是ML的其中一种方法。 机器学习 ≈ Looking for a Function 机器学习可以理解为让机器具有寻找一个function的能力，即让其根据提供的资料，寻找出需要的function。 机器学习框架 Step 1: define a
2021-07 李宏毅机器学习打卡Task04：深度学习简介和反向传播(下)
qq_40258328的博客
07-18 295
Task04 深度学习简介和反向传播(下) 学习地址 李宏毅机器学习B站视频地址 李宏毅机器学习开源笔记地址 论坛版块 反向传播 背景 梯度下降 参数更新依旧使用梯度下降，只是计算梯度时使用更高效的方法即反向传播机制 链式求导法则 反向传播的基础即链式法则，通过一层一层的误差导数向前传播完成所有梯度的计算 反向传播具体机制 主要分两个部分：Forward Pass 和 Backward Pass 要计算 loss 对某个参数 w 的偏导，即 ∂l∂w\frac{\partial{l
李宏毅机器学习组队学习打卡活动day01---机器学习介绍
CharlesLC的博客
11-15 1148
写在前面 报了一个Datawhale 组队学习活动，我参加的是第31期，打算好好学习以李宏毅老师的机器学习视频，虽然之前也看过一些，但是研究不深，这次想趁着这次活动系统学一下。 参考视频:https://www.bilibili.com/video/av59538266 参考文档笔记：https://github.com/datawhalechina/leeml-notes 机器学习介绍 人工智慧：希望机器可以跟人一样的聪明 机器学习跟人工智慧之间什么关系？ 人工智慧是我们想要达成的目标，而机器学习是想
2021-07 李宏毅机器学习打卡Task07：总结
qq_40258328的博客
07-25 549
Task07 总结 学习地址 李宏毅机器学习B站视频地址 new: 2021春课程视频地址 李宏毅机器学习开源笔记地址 论坛版块 总结 Three Steps for Deep Learning/ Machine Learning 机器学习或深度学习的框架都可以概括为3步： Step 1: define a set of function 只是深度学习里定义的function set 即神经网络 Step 2: goodness of function 一般通过合适的loss function 来衡量
2021-07 李宏毅机器学习打卡Task05：网络设计的技巧
qq_40258328的博客
07-21 492
Task05 网络设计的技巧 学习地址 李宏毅机器学习B站视频地址 new: 2021春课程视频地址 李宏毅机器学习开源笔记地址 论坛版块 网络设计的技巧(解决神经网络训练问题) (一)局部最小值(local minima)与鞍点(saddle point) loss不下降的一个可能原因：卡在了critical point critical point 即梯度接近0的点，包括local minima和saddle point How to do with critical point? if me
转发：Datawhale第七期组队学习计划
fengdu78的博客
05-06 390
编者注：Datawhale是一个公益组织，也是AiUnion的四个成员之一，所有学习计划是免费的。第7期Datawhale组队学习计划马上就要开始啦这次共组织15个组队学习涵盖了AI领域...
精选资源
李宏毅机器学习hw4.zip
04-08
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的...
【机器学习】23-25 决策树 & 树集成
weixin_54010404的博客
12-02 1044
本文系统性地介绍了决策树模型及其相关算法。首先阐述了决策树的基本结构与学习过程，重点讨论了如何通过最大化信息增益选择最优划分特征，并详细解释了熵作为纯度衡量指标的计算方法。文章涵盖了分类树与回归树的构建逻辑，包括离散特征处理（独热编码）和连续特征阈值选择。 进一步，文章深入探讨了决策树集成方法，重点分析了随机森林算法通过放回抽样和特征随机选择来增强模型鲁棒性的机制。特别介绍了XGBoost算法的核心优势：自适应样本权重调整、内置正则化和高效实现。最后，文章对比了决策树集成与神经网络的应用场景。
【模式识别与机器学习（8）】主要算法与技术（下篇：高级模型与集成方法）之 元学习与集成方法：组合多个学习器来提高整体性能
hiliang521的博客
12-02 902
【模式识别与机器学习（8）】主要算法与技术（下篇：高级模型与集成方法）之 元学习
【模式识别与机器学习（15）】机器学习算法-主成分分析
hiliang521的博客
12-02 877
【模式识别与机器学习（15）】主成分分析
0011机器学习特征工程
最新发布
老欧学视觉的博客
12-03 721
本文系统介绍了机器学习特征工程的关键内容，包括特征工程在机器学习流程中的重要性、数据处理方法和降维技术。主要内容涵盖：1）特征工程的核心作用是通过数据预处理提升模型效果，包括异常值处理、数据平衡、文本向量化等；2）详细讲解了数据清洗、缺失值填充、标准化/归一化、One-Hot编码等基础处理方法；3）重点阐述了文本特征提取技术（词袋法、TF-IDF）和降维方法（特征选择、PCA、LDA）。文章强调特征工程需结合业务场景进行特征衍生和优化，占整个开发流程30%-50%的工作量，是机器学习项目成功的关键环节。
用Python玩转GAN：让AI学会“造假”的艺术
2303_77568009的博客
12-03 1534
本项目基于PyTorch实现了生成对抗网络（GAN），用于生成手写数字图像。通过搭建生成器和判别器的卷积神经网络结构，采用对抗训练策略，成功在MNIST数据集上训练出能够生成逼真数字图像的模型。实践过程中解决了GPU环境配置、Windows多进程加载数据、网络优化等关键技术问题，最终实现了从随机噪声到清晰数字图像的端到端生成。该实践加深了对深度学习框架使用、模型训练调优及GAN原理的理解，为机器学习算法学习提供了完整案例。
【模式识别与机器学习（11）】数据预处理（第三部分）：高级技术与质量保证
hiliang521的博客
12-02 854
【模式识别与机器学习（11）】数据预处理（第三部分）：高级技术与质量保证
学习笔记二十三：支持向量机-间隔与支持向量
dengdaijc的专栏
12-02 707
本文介绍了支持向量机(SVM)的基本原理。SVM通过在样本空间中寻找最优划分超平面来实现分类，其核心思想是最大化分类间隔以提高泛化能力。关键概念包括：划分超平面的数学表示（由法向量和位移项定义）、支持向量（决定超平面位置的最近样本点）以及间隔（反映分类置信度）。SVM的基本型是一个凸二次规划问题，通过最小化法向量范数平方来最大化间隔，同时满足所有样本正确分类的约束条件。该方法具有理论严谨、模型稀疏、全局最优等优势，是经典的分类学习算法。
李宏毅机器学习教程：深入理解Transformer与Attention模型
【标签】"李宏毅机器学习注意力模型"进一步强调了文件内容的专注点，即由李宏毅老师讲授的机器学习知识，特别是注意力模型的相关知识。这提示我们文件可能是教学资源的一部分，可以用于学术研究或教学目的。 最后，...
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