yyyyyybw的博客

卷积神经网络（CNN）是AI界的“视觉拆解大师”——用数学的局部感知和参数共享，模拟人脑对视觉信号的层次化处理。。这种“局部感知-全局推理”的架构，让CNN在图像中既见树木又见森林，成为计算机视觉的基石模型。

所有这些相关性均有显著差异。本研究利用MsigDB数据库中72个代谢通路基因集，对来自TCGA和GEO数据库的247例乳腺癌样本进行GSVA、单因素回归和预后分析，对乳腺癌样本进行非监督聚类，比较不同聚类之间基因表达、临床病理特征、免疫浸润水平及预后的差异，通过单细胞测序分析这些特征基因的空间表达模式，应用机器学习算法重建代谢风险模型，用于评估乳腺癌患者的预后。与GEPIA数据库的结果一致，这些代谢特征基因在肿瘤上皮细胞中表现出特定的高表达水平，而在免疫细胞、内皮细胞和成纤维细胞中则保持较低的表达水平。

通俗来说，机器学习模型就是一种数学函数，它能够将输入数据映射到预测输出。更具体地说，机器学习模型就是一种通过学习训练数据，来调整模型参数，以最小化预测输出与真实标签之间的误差的数学函数。机器学习中的模型有很多种，例如逻辑回归模型、决策树模型、支持向量机模型等，每一种模型都有其适用的数据类型和问题类型。同时，以联结主义的感知机为例，通过增加感知机的隐藏层数，我们可以将其转化为深度神经网络。而对感知机加入核函数就可以转化为SVM。这一过程可以直观地展示了不同模型之间的内在联系，以及模型间的转化可能。

机器学习项目的难度分类通常取决于问题的复杂性、数据处理的难度、算法的深度以及部署的规模。

机器学习算法的多样性为不同场景提供了丰富的解决方案。从线性模型到深度学习，每种算法都有其独特的假设和适用范围。实际应用中，需结合数据特点、任务目标和计算资源综合选择，并通过调参和集成方法进一步优化性能。未来，随着硬件和算法的发展，更高效的模型（如自监督学习、图神经网络）将成为新的研究热点，推动机器学习在更多领域的突破。2025版：这可能是b站最全的【人工智能-数学基础】教程，共100集！微积分、概率论、线性代数、机器学习数学基础、深度学习、计算机视觉【全198集】这才是科研人该学的计算机视觉教程！

在合并或分裂的过程中，需要定义簇间的距离度量，如单连接（两个簇中最近的两个点之间的距离）、全连接（两个簇中最远的两个点之间的距离）和平均连接（两个簇中所有点对之间距离的平均值）等。每个数据点都有一个对应的核函数，通过计算数据点在核函数下的密度梯度，然后沿着密度梯度上升的方向移动数据点，直到收敛。例如，在目标跟踪场景中，通过跟踪目标的特征点的密度分布来确定目标的位置。原理：根据给定的样本数据集定义一个描述成对数据点相似度的亲合矩阵，并且计算矩阵的特征值和特征向量，然后选择合适的特征向量聚类不同的数据点。