Datawhale X 李宏毅苹果书 AI夏令营 Task1笔记

news2024/11/11 5:46:18

课程内容


学习笔记 

(一)术语解释

一 .  机器学习(Machine Learning,ML)

            机器学习,在本书的解释中是让机器具备找一个函数的能力。个人理解是基于所拥有的数据构建起概率统计模型来对数据进行预测与分析。输入的数据可以是图像、声音、文档等,函数则通过已知数据的特点所构建的模型,我觉得是一个可调节所的黑箱,最后输出

          机器学习一般分为:监督学习(supervised learning)、无监督学习(unsupervised learning)、半监督学习(Semi-supervised Learning和强化学习(reinforcement learning)。

  1. 监督学习(Supervised Learning):算法从标记的训练数据中学习,这些数据包含了输入和期望的输出,目的是让算法能够预测新数据的输出。
  2. 无监督学习(Unsupervised Learning):算法处理未标记的数据,尝试找出数据中的结构和模式。
  3. 半监督学习(Semi-supervised Learning):结合了监督学习和无监督学习的特点,使用少量标记数据和大量未标记数据。
  4. 强化学习(Reinforcement Learning):算法通过与环境交互来学习最佳行为或策略,以最大化某种累积奖励。
        机器学习的分类:
  1. 回归(regression):本书所说的是机器学习的任务,也可以理解是经过多次实验,找到可以在“输入 — 函数处理数据 — 输出”这个流程中输出最接近实际数据的的函数的过程。个人觉得有点像算高考数学中求各种解析式的过程。
  2. 分类(classification):分类任务即要让机器做选择题。人类先准备好一些选项,这些选项称为类别(class),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。分类可以是0或1两种选择,也可以是多种情况判断。
  3. 结构化学习(structured learning):让机器产生有结构的东西的问题称为结构化学习。最后输出的结果可以是一篇文章、一张图片,形成结构化的结果。

二 .  深度学习(Deep Learning,DL)

         深度学习是一种特定类型的机器学习,可以理解为是机器学习的子集。它使用类似于人脑的神经网络结构(称为人工神经网络)来学习复杂的模式。它依赖于深层神经网络,这些网络具有多个隐藏层。

  • 标量(scalar):通过函数处理所输出的结果为一个具体的数值、固定的结果
  • 参数(parameter):即在方程中不同于x、y、z已知的数据,参数是未知的。跟数学中定义的参数是一样的。
  • 模型(model):即所需要确定的含参方程,也就是黑箱中所要运作的程序。
  • 特征(feature):即在函数中已经给出的数据。
  • 权重(weight):个人觉得有点像是倍数,可以使已知数据等比例地放缩。
  • 偏置(bias):用于调整等比例放缩的的数据的位置,有点像高中物理作图时的描点要求:使更多的数据均匀地分布在图像的两边。
  • 平均绝对误差(Mean Absolute Error,MAE):求出来的实际数据 y_i 与预测数据 \widehat{y_i}之间绝对值的差距。

    公式表示为: e = \left | y_i - \widehat{y_i} \right |

  • 均方误差(Mean Squared Error,MSE):用于求出来的实际数据 y_i 与预测数据 \widehat{y_i}之间绝对值的差距 。

公式表示为:e=(y_i -\widehat{y_i})^{2}

  • 交叉熵(Cross-Entropy):这是用于衡量两个概率分布之间的差异。在机器学习的分类问题中,交叉熵常用于评估模型预测的概率分布与真实分布之间的差异,并作为损失函数来训练模型。

  • 梯度下降(gradient descent):通过不断调整未知参数权重w 和偏置b 的大小,使得误差越来越小,也可以说是减小损失的过程。

  • 学习率(learning rate):常用希腊字母 \eta 表示。表示机器学习即调整未知参数权重w 和偏置b 大小的变换量。

  • 超参数(hyperparameter):在做机器学习中需要自己设定,不是机器自己找出来的学习率,称为超参数 。

  • 全局最小值(global minima):实际函数图像中的最低位点。
  • 局部最小值(local minima):局部最小值是通过测试函数的不断调整,得到在实际函数图像中的第一个当前最小值。但是这个第一个最小值的位点不一定是整个函数曲线的最小值。局部最小值不一定是全局最小值,全局最小值一定是局部最小值,即局部最小值是全局最小值的必要不充分条件。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2079737.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

python可视化-散点图

散点图可以了解数据之间的各种相关性,如正比、反比、无相关、线性、指数级、 U形等,而且也可以通过数据点的密度(辅助拟合趋势线)来确定相关性的强度。另外,也可以探索出异常值(在远超出一般聚集区域的数据…

【Java】Record的使用 (简洁教程)

Java系列文章目录 补充内容 Windows通过SSH连接Linux 第一章 Linux基本命令的学习与Linux历史 文章目录 Java系列文章目录一、前言二、学习内容:三、问题描述四、解决方案:4.1 为什么引入Record4.2 Record与Class区别4.3 使用场景 五、总结:…

使用uni-app开发微信小程序

一、前提环境 1.1 :uniapp开发文档:https://uniapp.dcloud.net.cn/quickstart-cli.html 细节都在这一页,这里不过多解释 二、开发工具下载 2.1 微信开发者工具 下载链接:https://developers.weixin.qq.com/miniprogram/dev/dev…

Java:Calendar类

文章目录 Calendar类常用方法代码 黑马学习笔记 Calendar类 calendar是可变对象,一旦修改后其对象本身表示的时间将发生变化 原始对象会跟着修改,造成原始对象的丢失 常用方法 代码 package Time;import java.util.Calendar; import java.util.Date;/…

【RabbitMQ高级特性】消息可靠性原理

1. 消息确认机制 1.1 介绍 我们可以看到RabbitMQ的消息流转图: 当消息从Broker投递给消费者的时候会存在以下两种情况: consumer消费消息成功consumer消费消息异常 如果说RabbitMQ在每次将消息投递给消费者的时候就将消息从Broker中删除&#xff0c…

用 like concat 不用 like,为了防止sql注入;#{}和${}的区别和用法;#{}预防SQL注入的原理

一、like concat 和 like mybatis中为了防止sql注入&#xff0c;使用like语句时并不是直接使用&#xff0c;而是使用concat函数<if test"goodName ! null and goodName ! "> and good_name like concat(%, #{goodName}, %)</if> concat()函数1、功能&a…

Webbench1.5安装使用Ubuntu

1、安装依赖包 sudo apt-get update sudo apt-get install libtirpc-dev2、安装Webbench1.5 参考https://github.com/baiguo/webbench-1.5 # 可能需要root权限&#xff0c;我是切换到root用户才安装成功 wget http://home.tiscali.cz/~cz210552/distfiles/webbench-1.5.tar.…

APP.vue引入子组件进行页面展示

一.将vue项目启动服务器原始页面进行清空 打开APP.vue文件&#xff0c;将<template>标签里的内容和<style>标签里的内容 ctrl/ 选中进行注释&#xff0c;以及引入的Helloworld.vue文件内容代码进行注释 并且 ctrls 保存 服务器页面从原始页面 变为空白 二.在comp…

树莓派4B安装golang最新版(20210520)

前置条件&#xff1a; 树莓派4B 安装官方系统 Linux raspberrypi 5.10.17-v7l #1414 更换最新版的原因&#xff1a; 截至 2021.5.20 &#xff0c;Raspberry Pi OS 最新版系统中&#xff0c;默认安装golang1.11&#xff0c;但是使用 go get golang.org/x/crypto/ssh 时&#xff…

推荐系统实战(七)-多任务多场景(上)多任务

多任务Multi-Task&#xff0c;有时也被称为多目标Multi-Objective建模。比如说电商场景下&#xff0c;希望曝光的物料被多多点击&#xff0c;还希望商品被下单购买&#xff0c;因此同时建模三个目标&#xff1a;曝光到点击CTR&#xff0c;点击到购买转换率CVR&#xff0c;曝光到…

记一次对某佛教系统的漏洞挖掘

前言 简单记录一次漏洞挖掘&#xff0c;一个系统居然爆了这么多类型的洞&#xff0c;于是想记录哈。(比较基础&#xff0c;我是菜狗&#xff0c;大佬轻喷) 业务介绍 是一个某佛教的系统 有一些佛教的学习资源、一些佛教相关的实物商品可购买&#xff0c;有个人中心&#xff…

PyCharm中python语法要求——消去提示波浪线

PyCharm中python语法要求——消去提示波浪线 关闭代码规范检查 在Setting里边搜索pep&#xff0c;取消勾选pep8 coding style violation 问题产生 解决问题 按照下图操作&#xff0c;也可直接CtrlAlts弹出设置页面 在 Settings 中 &#xff1a; Editor > Color Sheame >…

设计模式26-解析器模式

设计模式26-解析器模式 动机定义与结构定义结构 C代码推导代码说明 优缺点应用总结 动机 在软件构建过程中&#xff0c;如果某一特定领域的问题比较复杂&#xff0c;类似结构会不断重复的出现。如果使用普通的编程方式来实现&#xff0c;将面临非常频繁的变化。 在这种情况下&…

二叉树算法算法【二叉树的创建、插入、删除、查找】

一、原理 1.1、二叉排序树的插入 1.2、二叉树的删除 &#xff08;1&#xff09;删除度为0的节点&#xff0c;就是最后的叶子节点&#xff0c;直接删除就可以了. &#xff08;2&#xff09;删除度为1的节点&#xff0c;就是爷爷节点接收孙子节点。 &#xff08;3&#xff09;删…

什么软件可以约束员工摸鱼行为?「5款软件助力企业管控员工上班摸鱼!」

你的企业是否也在面临这些问题&#xff1a; 1.工作效率下降&#xff1a;频繁的分心会打断工作连贯性&#xff0c;降低任务完成的质量和速度。 2.团队协作受损&#xff1a;个别员工的低效可能导致整个团队进度滞后&#xff0c;影响项目按时交付。 3.资源浪费&#xff1a;非工…

Git —— 1、Windows下安装配置git

Git简介 Git 是一个免费的开源分布式版本控制系统&#xff0c;旨在处理从小型到 快速高效的超大型项目。 Git 易于学习&#xff0c;占用空间小&#xff0c;性能快如闪电。 它超越了 Subversion、CVS、Perforce 和 ClearCase 等 SCM 工具 具有 cheap local branching、 方便的暂…

【分布式架构幂等性总结】

文章目录 幂等性什么场景需要幂等设计&#xff1f;产生幂等性的原因解决重复操作&#xff0c;实现幂等性 幂等性 接口幂等性就是用户对于同一操作发起的一次请求或者多次请求的结果是一致的&#xff0c;不会因为多次点击而产生了副作用。比如&#xff1a;公交车刷卡&#xff0…

.NET8 Web 利用BAT命令 一键部署 IIS - CI-CD基础

1. Windows Server 前置准备 1.1 IIS安装好 1.2 .NET8 Sdk 运行时 安装 官方下载地址&#xff1a;https://dotnet.microsoft.com/zh-cn/download/dotnet/8.0 1.3 创建一个.NET8 WebMvc项目 生成发布包 微软MVC这个项目模板直接创建&#xff0c;发布 2. 利用 BAT 来一键部署…

特效与样式(5)——Timetables的使用

第一次使用timetables做学校课表的开发&#xff0c;里面的门道东西挺多的&#xff0c;比我想的要复杂很多。包括我现在也只是实现了课表的初级效果。 主要是标题部分&#xff0c;数据部分&#xff0c;还有颜色控制部分。每个表格都需要一个控制颜色&#xff0c;每次写数据的时候…

hyperf注解,自定义注解

注解是 Hyperf 非常强大的一项功能&#xff0c;可以通过注解的形式减少很多的配置&#xff0c;以及实现很多非常方便的功能。 结构 建立注解 在app下建立Annotation注解文件夹 在Annotation下建立Jim.php注解 下面的的Annotation 和 Target是全局注解&#xff0c;所以不需…