笔者参加了2017年西安邮电大学第十二届数学建模竞赛，想到自己参赛前想了解一下学校往年的赛题，但能找到的资料很少，在这里我把我们参加B题论文放上来，希望能给大家一些帮助.       2017年的校赛B题同时也是同一时间举行的2017年中兴捧月杯算法精英挑战赛赛题。       当时我们三个大一学生，用整整五一的三天假期，完成了这篇论文。当时并没有掌握多少知识，可以说是初生牛...

之前那个多分类问题实战是手写了每个层其实我们可以使用nn.Linear，就不用手写了

聊天机器人模型技术发展方向主流还是Seq2Seq + AttentionGAN对抗生成网络DQN深度强化学习网络GNN图神经网络SeqGAN模型

人脸检测是 OpenCV 的一个很不错的功能， 它是人脸识别的基础。 什么是人脸识别呢？其实就是一个程序能识别给定图像或视频中的人脸。 实现这一目标的方法之一是用一系列分好类的图像来“训练” 程序， 并基于这些图像来进行识别。这就是 OpenCV 及其人脸识别模块进行人脸识别的过程。人脸识别模块的另外一个重要特征是： 每个识别都具有转置信（con...

Bootstrap又称自展法、自举法、自助法、靴带法 , 是统计学习中一种重采样(Resampling)技术，用来估计标准误差、置信区间和偏差Bootstrap是现代统计学较为流行的一种统计方法，在小样本时效果很好。机器学习中的Bagging，AdaBoost等方法其实都蕴含了Boostrap的思想，在集成学习的范畴里 Bootstrap直接派生出了Bagging模型子样本之于样本，可以类比样本之

“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已”当你想要你的预测模型性能达到最佳时，你要做的不仅是要选取最好的算法，还要尽可能的从原始数据中获取更多的信息，为预测模型得到更好的数据。这就是特征工程要做的事，它的目的就是获取更好的训练数据。特征工程是利用数据领域的相关知识来创建能够使机器学习算法达到最佳性能的特征的过程。简而言之，特征工程就是一个把原始数据转变成特征的过程，这些特

机器学习时代三大神器GBDT、XGBoost、LightGBMGBDT梯度提升决策树Boosting方法是一种用来提高弱分类算法准确度的方法，Boosting算法的思想是将许多弱分类器集成在一起形成一个强分类器...

单因子分析集中趋势：均值、中位数与分位数、众数离中趋势：标准差、方差数据分布：偏态与峰态、正态分布与三大分布抽样理论：抽样误差、抽样精度-----待更------

我们自己做的宝可梦数据集的图片数量只有1000多张规模是很小的，而我们使用的是比较强大的resnet，所以很容易出现overfitting的情况该怎么解决呢Pokemon和ImageNet都是图片，存在某些共性knowledge那么我们能不能利用ImageNet的模型来帮助我们提升宝可梦数据集分类的性能这里不再用自己写的resnet18了，而是加载已经train好的resnet...

AutoML的技术现在在很多公司里已经得到的普遍的应用，例如google推出了cloud AutoML的产品，能够使得没有或者具有少量机器学习知识的人快速部署他们的模型AutoML还可以帮助我们进行调参AutoML的作用①AutoML可以自动搜索神经网络模型结构②在指定任务上通过fine-tuning / 迁移学习得到较好的结果...