各位伙伴们，大家好！如果说之前我们从零开始搭建 CNN 是在“手动锻造兵器”，那么今天，我们将学习如何 wield (挥舞) 一把已经由无数大师千锤百炼过的“神器”——预训练模型。Day 44 的主题是迁移学习 (Transfer Learning)，这是一个能让我们以极低的成本，在自己的数据集上达到惊人效果的强大范式。这不仅仅是一种技术，更是一种思想上的飞跃。它告诉我们，不必事事从零开始，善于利

各位小伙伴，今天的心情无比激动！我们终于迎来了第10天的学习，这也是整个学习计划的第一个高潮——完成一个端到端的机器学习项目。从拿到原始数据开始，我们亲手将它一步步清洗、转换、预处理，最终送入多个机器学习模型中，并对结果进行了专业的评估。这不仅仅是代码的堆砌，更是一次思维的升华。我们学习了如何像真正的算法工程师一样，思考异常值处理、警惕数据泄露，并深刻理解了分类报告中精确率(Precision)与

本文探讨了回归问题的核心内容，重点对比了回归器与分类器的本质区别，介绍了回归任务的关键评估指标（MAE、MSE、RMSE、R²），并阐述了多输出回归任务和置信区间的实现方法。通过混凝土抗压强度数据集（1030条样本，8个特征）的实战案例，展示了线性回归、决策树、随机森林和梯度提升四种模型的训练与评估过程，提供了完整的代码实现和数据可视化方案。文章强调置信区间通过Bootstrap方法估计预测范围，

各位伙伴们，大家好！经过近三周的“打怪升级”，我们已经手握逻辑回归、决策树、随机森林等多种强大的机器学习模型。但在实战中，一个幸福的烦恼随之而来：面对一堆评估指标（Accuracy, Recall, F1, AUC…），到底该选哪个模型？模型A的Recall最高，但训练时间最长。模型B的AUC领先，但F1-Score稍逊。模型C各方面都还行，但都不顶尖。这不就是典型的“选择困难症”吗？今天，Day

本文探讨了机器学习模型可解释性的重要性，并重点介绍了SHAP（SHapley Additive exPlanations）方法。文章从数据形状（shape）的理解入手，强调正确掌握数组嵌套结构对处理复杂数据输入的关键作用。通过“奶茶店分钱”的比喻，生动解释了SHAP值的核心思想——基于博弈论的夏普利值，计算每个特征对模型预测的边际贡献。最后，文章以加州房价数据集为例，展示了如何用SHAP解释梯度提

文章摘要 本文介绍了如何使用Scikit-learn的Pipeline工具优化机器学习工作流。Pipeline通过将数据预处理和模型训练封装成流水线，带来三大优势：代码简洁、防止数据泄露和简化超参数搜索。文章对比了传统手工预处理与Pipeline自动化处理的区别，详细讲解了转换器(Transformer)和估计器(Estimator)的核心概念，并以信贷违约数据集为例，展示了如何用ColumnTr

本文介绍了从Scikit-learn转向PyTorch进行深度学习的过程。主要内容包括：1）环境准备，强调创建独立Conda环境和GPU加速的重要性；2）PyTorch核心概念：张量(Tensor)作为数据载体，模型构建(nn.Module)和五步训练循环(前向传播、损失计算、梯度清零、反向传播、参数更新)；3）实战演示：使用PyTorch构建鸢尾花分类神经网络，包含数据预处理、模型定义、训练过程

本文介绍了计算机视觉中图像数据的表示方式和GPU显存管理策略。主要内容包括：1) 图像数据的3D结构，区分灰度图(1通道)和彩色图(3通道)在PyTorch中的Channel First格式；2) GPU显存分配的四大组成部分：模型参数、优化器状态、批量数据和中间激活值；3) batch_size选择的权衡技巧，建议从32/64开始逐步增加；4) 通过MNIST和CIFAR-10的MLP模型实例演

摘要： 本文介绍如何利用PyTorch的Hook机制实现模型可解释性工具Grad-CAM，通过热力图揭示CNN模型的决策依据。首先从回调函数和装饰器的编程思想入手，分析Hook机制的工作原理。随后基于CIFAR-10数据集训练的CNN模型，实现Grad-CAM类，通过注册前向/反向钩子捕获特征图和梯度，计算类别激活映射并上采样生成可视化热力图。该方法能直观展示模型关注的关键区域，帮助理解&quot

各位伙伴们，大家好！经过近三周的“打怪升级”，我们已经手握逻辑回归、决策树、随机森林等多种强大的机器学习模型。但在实战中，一个幸福的烦恼随之而来：面对一堆评估指标（Accuracy, Recall, F1, AUC…），到底该选哪个模型？模型A的Recall最高，但训练时间最长。模型B的AUC领先，但F1-Score稍逊。模型C各方面都还行，但都不顶尖。这不就是典型的“选择困难症”吗？今天，Day