- 博客(13)
- 收藏
- 关注
RSS订阅原创 第四章 卷积神经网络（CNN）全面教程：从基础到图像分类实战
本教程系统介绍了卷积神经网络(CNN)从基础到实战的全过程。首先讲解图像基础知识，包括RGB三通道结构和图像加载方法。然后详细解析CNN两大核心组件：卷积层作为特征提取器，通过滑动窗口计算提取局部特征；池化层作为降维加速器，通过最大/平均池化减少特征图尺寸。教程通过PyTorch实现各组件API，并最终完成CIFAR-10图像分类实战，构建包含卷积块、BN层和全连接层的完整CNN模型，达到82%的测试准确率。文末还提供了模型优化方向，帮助读者进一步提升性能。
2025-09-26 09:35:08
1061
原创 第三章 神经网络入门笔记：从概念到实践全解析
人工神经网络（ANN）是模仿生物神经网络的数学模型，通过多层神经元连接实现信息处理。核心结构包括输入层、隐藏层和输出层，使用激活函数（如ReLU、Sigmoid）引入非线性。深度学习的优势在于自动特征提取，无需人工设计。优化方法包括梯度下降变体（如Adam）和学习率衰减策略。正则化技术（如Dropout、BN层）可缓解过拟合。本文通过手机价格分类案例，展示了从数据预处理到模型训练评估的全流程，最终实现92%的准确率。神经网络虽在图像、NLP等领域表现优异，但仍存在可解释性差、训练耗时等缺点。建议结合理论实践
2025-09-15 20:26:45
1090
原创 第二章、PyTorch 入门笔记：从张量基本操作到线性回归实战
本文介绍了PyTorch深度学习框架的核心使用方法和线性回归实战。主要内容包括：1）PyTorch框架定位与优势，对比主流深度学习框架；2）张量（Tensor）的创建、类型转换和核心操作（数值计算、索引、形状调整等）；3）自动微分原理与实现；4）通过线性回归案例演示完整开发流程，涵盖数据准备、模型构建、训练优化和结果可视化。文章强调张量操作是基础，自动微分是核心，并提供了标准化的模型开发流程，为PyTorch入门学习提供了系统指导。
2025-09-09 21:04:58
1198
原创 深度学习入门笔记第一章：从概念到实践全解析
本文系统梳理了深度学习知识体系。首先明确深度学习是机器学习的子集，核心优势在于自动特征提取。发展历程经历三次AI浪潮：符号主义专家系统、统计机器学习和当前深度学习主导的大模型时代，关键里程碑包括AlexNet、AlphaGo和ChatGPT。应用广泛覆盖CV、NLP、语音识别等领域。虽然精度高、拟合能力强，但仍面临可解释性差、计算成本高等挑战。深度学习作为AI核心技术，其发展与突破将持续推动人工智能进步。
2025-09-08 14:31:39
1315
原创 机器学习 第十章 支持向量机（SVM）全面学习笔记：从原理到实战
本文系统介绍了支持向量机(SVM)的原理与应用，从硬间隔和软间隔分类到核函数技巧。重点讲解了SVM的核心思想、目标函数推导、惩罚系数C的作用，以及如何通过高斯核处理非线性数据。通过鸢尾花和moons数据集的实战案例，演示了数据预处理、模型训练和参数调优的完整流程。文章还提供了决策边界可视化方法和常见问题解答，最后总结了SVM的优势与适用场景，为机器学习实践者提供了全面的SVM学习指南。
2025-09-01 21:37:09
1489
原创 机器学习 第九章 聚类算法笔记 从理论到实战（附顾客数据聚类案例）持续更新！！！
聚类算法是一种无监督学习算法，核心逻辑是根据样本间的相似性，将数据集中的样本划分到不同类别。无先验知识依赖：无需人工标注类别，算法自动挖掘数据内在结构；相似性度量：常用欧式距离计算样本间相似度（但并非唯一方式）；聚类准则影响结果：不同的聚类准则（如距离最小化、密度最大化）会产生不同的聚类结果。SSE（Sum of Squared Errors）表示所有样本到其所属质心的距离平方和，SC 系数（Silhouette Coefficient）综合考虑簇内聚程度（a）和簇间分离程度（b）a。
2025-08-31 20:18:58
1267
原创 机器学习 第八章 朴素贝叶斯算法笔记：从理论到商品评论情感分析实践
本文详细介绍了朴素贝叶斯算法的理论原理及在商品评论情感分析中的应用。首先从概率基础出发，讲解了条件概率、联合概率等核心概念，重点解析了贝叶斯公式及其在分类问题中的应用。随后通过"女神是否喜欢"的示例数据集，演示了朴素贝叶斯的具体计算过程。针对实际应用中可能出现的"概率为0"问题，介绍了拉普拉斯平滑的解决方法。最后通过Python代码实现了一个完整的商品评论情感分析案例，包括数据预处理、模型训练、预测及评估等步骤，展示了朴素贝叶斯在文本分类中的实际应用效果。
2025-08-27 20:12:30
1009
原创 机器学习 第七章 特征降维 笔记。可供参考、持续更新！！！
特征降维方法总结：特征降维旨在减少冗余特征，提高模型效率。主要方法包括：1）低方差过滤法，通过设定阈值剔除低方差特征；2）主成分分析(PCA)，通过正交变换将相关特征转换为线性无关的主成分，保留最大方差实现降维；3）相关系数法，包括皮尔逊相关系数（衡量线性相关）和斯皮尔曼相关系数（衡量单调相关），用于特征筛选。这些方法各有特点：低方差过滤简单快速，PCA适用于高维数据压缩，相关系数法适合特征选择。实践中需根据数据特性和需求选择合适方法。
2025-08-26 21:58:42
1133
原创 机器学习 第六章 集成学习 笔记，可供参考。持续更新！！！
本文系统介绍了四种主流集成学习算法及其应用。主要内容包括：1. 集成学习基础：分为Bagging（并行）和Boosting（串行）两大框架，对比了随机抽样与权重调整、平权与加权投票等核心差异；2. 随机森林：通过"双随机"机制构建多棵决策树，详细解析了Bootstrap抽样原理和Sklearn参数调优；3. Adaboost与GBDT：分别采用样本权重调整和梯度下降策略，实现错误修正的接力训练；4. XGBoost：在GBDT基础上引入二阶泰勒展开和正则化，通过实战案例展示其超参数配置。
2025-08-24 21:31:21
1389
原创 机器学习 第五章 决策树 新手笔记，可供参考。持续更新！！！
决策树是一种基于树形结构实现分类或回归任务的机器学习算法，其核心逻辑是通过对数据特征的逐步判断，将数据划分到不同的类别或得到连续的预测值。内部节点：代表对某个特征的判断，每个内部节点对应一个特征，节点的分支则对应该特征的不同取值或判断结果。例如在 “是否适合健身” 的决策树中，“年龄 < 30”“是否吃披萨”“是否锻炼” 等均为内部节点，每个节点的 “是”“否” 分支对应特征的不同取值。叶子节点：代表最终的分类结果或回归预测值。
2025-08-23 21:32:29
1023
原创 机器学习第四章 逻辑回归新手笔记。可供参考，持续更新！！！
本文系统介绍了逻辑回归的理论与应用。内容包括：1）逻辑回归原理（Sigmoid函数、概率基础、极大似然估计）；2）分类模型构建（损失函数、API使用）；3）评估指标（混淆矩阵、精确率/召回率、F1-score、AUC-ROC）；4）实践案例（癌症分类预测和电信客户流失分析）。通过数学推导和Python代码实现，完整展示了逻辑回归从理论到应用的全流程，重点讲解了分类问题的评估方法体系。案例部分包含数据预处理、模型训练和特征重要性分析等实战内容。
2025-08-20 19:24:46
888
原创 机器学习新手零基础笔记 第三章 线性回归 。可供参考，持续更新！！！
本文介绍了线性回归的基本概念和实现方法。主要内容包括：1.线性回归的定义与分类（一元/多元）；2.两种求解方法（正规方程法与梯度下降法）的原理、实现及对比；3.回归模型评估指标（MSE、MAE、RMSE）的计算与应用；4.Sklearn中两种API（LinearRegression和SGDRegressor）的使用方法；5.欠拟合与过拟合问题的识别与解决方案，重点介绍了L1/L2正则化的原理及实现。通过波士顿房价预测案例，演示了数据标准化、模型训练与评估的完整流程。文章系统阐述了线性回归的核心算法原理和应用
2025-08-15 19:52:11
919
原创 在校大四学生机器学习新手零基础 机器学习概述 KNN算法 笔记，可供参考。持续跟新！！！
1.获取项目需求→2.数据基本处理→3.特征工程→4.机器学习（模型训练）→5.模型评估获取数据：搜集与完成机器学习任务相关的数据集数据基本处理：数据集中异常值,缺失值的处理等特征工程：对数据特征进行提取、转成向量，让模型达到最好的效果机器学习(模型训练)：选择合适的算法对模型进行训练根据不同的任务来选中不同的算法；有监督学习,无监督学习,半监督学习,强化学习模型评估：评估效果好上线服务,评估效果不好则重复上述步骤。
2025-08-14 21:25:14
1197
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人