李宏毅机器学习第一章记录

最新推荐文章于 2025-06-13 10:17:23 发布
最新推荐文章于 2025-06-13 10:17:23 发布
阅读量310 收藏
点赞数
文章标签： 机器学习 深度学习 人工智能
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。
本文链接：https://blog.youkuaiyun.com/weixin_45288838/article/details/126960420
版权

作业目录

目标

●任务描述

●数据

●评估度量

●Kaggle

●分级

●代码提交

第一步先学习python，了解pytorch,Numpy

李宏毅机器学习笔记——Anomaly Detection（异常侦测），ROC AUC score
iwill323的博客
11-02 2112
李宏毅机器学习笔记——Anomaly Detection（异常侦测） ROC AUC score
【Datawhale X 李宏毅苹果书 AI夏令营】[深度学习 入门] Task3 《深度学习详解》- 第2章 实践方法论
AnonymityNM的博客
09-03 487
内容来自李宏毅老师的机器学习/深度学习： github：李宏毅深度学习教程LeeDL-Tutorial（苹果书） bilibili课程视频：李宏毅《机器学习/深度学习》2021课程（P4） Datawhale：Datawhale AI 夏令营（第五期）  与 欠拟合 (underfitting) 类似？  比较合理选择模型的方法是把训练的数据分成两部分，一部分为 训练集 (training set)，另一部分为 验证集 (validation set)。
李宏毅机器学习复习——第6章：集成学习
m0_46365814的博客
09-09 231
概述 集成学习包括两个方面：bagging和boosting。 这两种方法的共同点是需要多个模型融合，并且模型融合之后的效果优于单个模型效果。 差异在于： bagging融合的模型比较强，属于强学习器，而且模型之间是并行的。 boosting融合的是弱学习器，多个模型依次训练数据集。 bagging 这种集成方式适用于融合容易过拟合的模型，比如决策数。 典型的Bagging 模型就是随机森林。 boosting boosting按照顺序可以训练弱学习器，使融合的模型最终效果变得很好。具体思路是，通过第一个
李宏毅 2020机器学习作业1 详细解析
龙卡的博客
04-10 4071
对作业的各个过程均进行了解析，适合刚开始学习机器学习的同志。
李宏毅机器学习HW5-Transformer代码解析（解释代码并记录跑HW5的历程）
BREKOJI的博客
10-11 2845
李宏毅机器学习HW5，解析详细，包括自己的调试历程的心得，还有学习的体会
Datawhale 李宏毅机器学习笔记
limafang的博客
10-03 398
Regression 就是找到一个函数function，通过输入特征 x，输出一个数值 Scalar。Pokemon：原始的CP值极大程度的决定了进化后的CP值，但可能还有其他的一些因素。：梯度下降的做法；后面会讲到它的理论依据和要点。Overfitting和Regularization：过拟合和正则化，主要介绍了表象；后面会讲到更多这方面的理论在回归问题中，为了找到model的最合适的参数以此来找到最好的function，我们往往需要优化原有的function参数，也就是要不断的减小Loss函数。
机器学习（李宏毅）——Life-Long Learning
Dlog的博客
03-04 1087
机器学习（李宏毅）——Life-Long Learning
深度学习之卷积神经网络(李宏毅机器学习)
weixin_43186817的博客
10-22 844
CNN可以用来减少权重的输入，不仅可以用在图像处理上，在音频、围棋、声音识别上等都可以使用。
李宏毅机器学习笔记第二章：回归案例分析
Zachary的博客
05-11 678
这章内容真的太多了(灬ꈍ ꈍ灬) 回归的定义和应用实例 回归定义： 回归（regression）就是找到一个函数function，通过输入特征x，输出一个数值scalar 应用实例： a）股市预测（Stock Market Forecast）： 输入：过去10年股票的变动、新闻咨询、公司并购咨询等 输出：预测股市明天的平均值 。 b）自动驾驶（Self-driving Car）： 输入：无人车上的各个sensor的数据，例如路况、测出的车距等 输出：方向盘的角度 c）商品推荐（...
pytorch项目实战-分类模型李宏毅 21 机器学习第二次作业代码详解
WANGYANG的博客
05-17 1004
本章节主要是对代码架构进行梳理学习，便于读者在深度学习代码部分有一个系统的认识，作为学习笔记供各位入门。具体的代码参考了李宏毅老师机器学习第二次作业的baseline，有微小出入不影响阅读。如有问题欢迎讨论。模型所使用的数据是通过对声音信息进行预处理得到的，这些数据被保存为npy文件格式，因此在加载这些数据时我们主要依赖NumPy包。每一行数据代表一个唯一的音频特征，整个数据集的形状为(1229932, 429)，表示有1229932条数据样本，每个样本都有429个特征。
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2021机器学习深度学习课程资料下载指南
总体而言，李宏毅老师的机器学习与深度学习课程资源为学习者提供了一个全面且系统的学习平台，涵盖了从基础知识到高级主题的全方位内容，并通过GitHub这个平台便于学生获取和跟踪最新的课程资料。
机器学习入门学习资料推荐
AI 算法笔记
04-06 1185
今天介绍一些机器学习的学习资料，主要是分为以下几个方面的内容： 编程语言：实现机器学习，主要是介绍 Python 方面的语言； 书籍：看书通常是入门的一种方法，比较适合自律性强的同学； 视频：入门的第二种方法就是看视频，虽然会比看书慢一些，但是胜在详细，对完全零基础者是非常友好的； 教程：主要是一些教程文章； 博客网站：常去的网站，包括一些大神博客； Github 项目：Github 上的一些项...
机器学习与深度学习18-线性代数01
beijieweiyu的博客
06-11 1278
的梯度进行求解和令其为零，可以得到闭式解或者使用优化算法（如梯度下降）进行迭代求解，通过 linear algebra 的技术和求解方法，在 linear regression 中，我们可以更有效地拟合模型并找到最优的参数，以最小化预测误差。向量的范数是一种用于衡量向量大小或长度的函数。外积的结果是一个新的向量，其方向垂直于原始向量所在的平面，并且大小等于该平面的面积与两个向量长度的乘积。的列向量，表示模型的参数（权重和截距），在 linear regression 中，我们的目标是找到最优的参数向量。
强化学习 A2C算法
最新发布
tony365的博客
06-13 1178
更准确地说，Reinforce 是 基于策略的方法 的一个子类，称为 策略梯度方法。在基于策略的方法中，我们的目标是直接优化策略，而无需使用价值函数。更准确地说，Reinforce 是 基于策略的方法 的一个子类，称为 策略梯度方法。然而，因为我们使用蒙特卡洛采样来估计回报（我们使用整个 episode 来计算回报），所以我们在策略梯度估计中存在显着的方差。然而，因为我们使用蒙特卡洛采样来估计回报（我们使用整个 episode 来计算回报），所以我们在策略梯度估计中存在显着的方差。
机器学习与深度学习19-线性代数02
beijieweiyu的博客
06-11 935
协方差矩阵的特征值和特征向量提供了关于数据结构和特征重要性的有用信息，在 PCA 中，我们将协方差矩阵的特征向量作为新的基向量，将数据投影到这些基向量上，构成新的特征空间。这些梯度可以用于更新权重矩阵，以最小化损失函数，并不断优化神经网络的性能，通过矩阵运算和逐元素操作，神经网络可以高效地进行前向传播和反向传播过程，实现输入数据的转换和网络参数的学习。矩阵的奇异值分解（Singular Value Decomposition，SVD）是一种重要的矩阵分解技术，它将一个矩阵分解为三个矩阵的乘积。
【机器学习-线性回归-7】中心极限定理在机器学习线性回归中的重要性
weixin_39033358的博客
06-11 793
摘要：中心极限定理(CLT)是线性回归的重要理论基础，它表明大量独立随机变量的均值会趋近正态分布。文章解析了CLT如何支持线性回归的参数估计正态性、误差项合理性和统计量分布，并探讨了实际应用中的样本量要求与诊断方法。通过Python代码展示了即使误差非正态，斜率估计仍呈正态分布的现象。同时指出CLT的局限性及应对方法，强调理解该定理对正确使用线性回归的重要性。
机器学习 vs 深度学习：区别与应用场景全解析
layneyao的博客
06-13 1312
机器学习 vs 深度学习：区别与应用场景全解析
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