logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

深度学习入门详解:从神经网络到实践应用

本文系统介绍了深度学习的核心概念与实践方法。首先阐述了深度学习与机器学习的关系,指出深度学习通过多层神经网络自动提取特征的优势。重点讲解了神经网络的基本单元神经元及其数学表达,包括激活函数的作用和常用类型。详细分析了感知器和多层感知器的结构与工作原理,强调隐藏层对解决非线性问题的重要性。在模型训练方面,深入讲解了损失函数、正则化和梯度下降等关键技术,并介绍了反向传播算法的实现原理。文章还探讨了深度

文章图片
#深度学习#神经网络#人工智能
机器学习算法篇(九)---------DBSCAN 算法(附实战案例)

​​聚类效果​​:DBSCAN 成功将啤酒分为 3 个有意义的簇(常规啤酒、轻量啤酒、高端啤酒),并识别出 4 种特征异常的啤酒(噪声点),符合实际产品分类逻辑。​​参数影响​​:ε=0.6 和 MinPts=5 的组合效果较好,若 ε 增大,可能将噪声点划入簇;若 MinPts 增大,可能导致簇分裂为更多小簇。​​应用价值​​:该结果可辅助啤酒企业定位产品市场、优化产品线,或为消费者提供基于特征

文章图片
#机器学习#算法#人工智能
机器学习算法篇-------PCA 降维深度解析

PCA 的目标是找到一组新的正交基(主成分),使得数据在这组基上的投影方差最大化。设原始数据为中心化后的矩阵 X∈Rn×d(n为样本数,d为维度),我们希望找到第一个主成分 w1​∈Rd×1(单位向量),满足:其中方差​,即与协方差矩阵相关:这是一个带约束的优化问题,可通过拉格朗日乘数法求解,最终得出:最优 w1​是协方差矩阵 C的最大特征值对应的特征向量。同理,第二个主成分 w2​需满足:与 w

文章图片
#机器学习#算法#人工智能
PyTorch数据加载核心:Dataset与DataLoader详解

摘要:PyTorch中的Dataset和DataLoader是高效数据加载的核心组件。Dataset作为数据的"说明书",通过__len__和__getitem__方法定义数据结构和获取方式;DataLoader则作为"流水线工",负责批量加载、打乱顺序和多线程加速。两者配合使用,Dataset封装数据逻辑,DataLoader处理工程细节,使模型训练更加高

文章图片
#pytorch#人工智能#python
13种常见机器学习算法面试总结(含问题与优质回答)

本文摘要了12种常见机器学习算法的原理、实现流程及面试常见问题。K近邻(K-NN)基于距离分类,需数据标准化;线性回归通过最小二乘法拟合线性关系;逻辑回归用sigmoid函数输出概率;决策树通过信息增益递归划分特征;随机森林集成多棵决策树降低方差;朴素贝叶斯假设特征条件独立;SVM通过核技巧处理非线性问题;K-means聚类需肘部法则确定K值;DBSCAN基于密度聚类;TF-IDF衡量词语重要性;

文章图片
#python
机器学习算法篇(六)贝叶斯算法

朴素贝叶斯算法以其简单高效的特点,在机器学习领域占据重要地位。尽管其"朴素"的独立性假设看似过于简化,但在许多实际应用中表现出乎意料的好。理解其核心原理和实现细节,不仅有助于我们正确应用这一算法,更能为理解更复杂的概率图模型奠定基础。在实践中,建议通过特征选择、适当的分布假设和超参数调优来提升模型性能,使其在特定任务中发挥最大效用。%5Cin。

文章图片
#机器学习#算法#人工智能
机器学习开山篇-----knn算法

机器学习(Machine Learning,简称ML)是人工智能(AI)中的一个重要分支,主要研究如何通过数据进行学习,使计算机能够从经验中自动改进。与传统的编程方式不同,机器学习通过构建模型、分析数据的特征和模式,来进行预测、分类、识别等任务。简而言之,机器学习让计算机从数据中学习,而不是通过硬编码明确编写规则。在本文中,我们首先介绍了机器学习的基本概念,接着讲解了KNN算法的原理。最后,我们通

文章图片
#人工智能#机器学习#算法 +1
机器学习开山篇-----knn算法

机器学习(Machine Learning,简称ML)是人工智能(AI)中的一个重要分支,主要研究如何通过数据进行学习,使计算机能够从经验中自动改进。与传统的编程方式不同,机器学习通过构建模型、分析数据的特征和模式,来进行预测、分类、识别等任务。简而言之,机器学习让计算机从数据中学习,而不是通过硬编码明确编写规则。在本文中,我们首先介绍了机器学习的基本概念,接着讲解了KNN算法的原理。最后,我们通

文章图片
#人工智能#机器学习#算法 +1
深度学习----卷积神经网络的数据增强(Data Augmentation)详解

摘要: 数据增强是提升卷积神经网络(CNN)泛化能力的关键技术,通过对训练数据进行随机变换(如翻转、旋转、颜色调整等)生成多样化样本,避免模型过拟合。其核心价值包括抑制过拟合、降低数据成本、提升泛化能力。增强技术分为几何变换(空间调整)、像素变换(颜色调整)和高级增强(如MixUp、生成式增强)。实施时需遵循仅在训练集使用、保持随机性、结合任务场景等策略,并注意避免语义改变。主流框架(如PyTor

文章图片
#深度学习#人工智能#机器学习
深度学习----ResNet(残差网络)-彻底改变深度神经网络的训练方式:通过残差学习来解决深层网络退化问题(附PyTorch实现)

ResNet(残差网络)是由何凯明团队提出的突破性神经网络架构,通过残差块和跳跃连接解决了深层网络训练中的梯度消失/爆炸问题。文章首先分析了深层网络的三大痛点:激活函数限制、层数过深导致的连乘效应和初始权重不合理。然后详细介绍了ResNet的核心创新——残差块的设计原理,以及批归一化技术的应用。最后提供了基于PyTorch的完整实现代码,包括数据加载、模型定义、训练测试流程,并以MNIST分类任务

文章图片
#深度学习#网络#dnn
    共 29 条
  • 1
  • 2
  • 3
  • 请选择