lesson3 结构化机器学习项目文章目录lesson3 结构化机器学习项目Week 1 机器学习（ML策略）(1)3.1.1 为什么是ML策略？（Why ML Strategy?）3.1.2 正交化（Orthogonalization）3.1.3 单一数字评估指标（Single number evaluation metric）3.1.4 满足和优化指标（Satisficing and opti

本文带读了PointNet++。PointNet++ 是一种针对度量空间中点集的强大神经网络架构，通过递归嵌套划分输入点集，学习多尺度分层特征。它改进了 PointNet 无法捕获局部上下文的局限，引入多尺度分组（MSG）和多分辨率分组（MRG），以解决点云密度不均的问题。MSG 使用不同半径提取多尺度特征，MRG 则结合上下层特征。PointNet++ 在 3D 点云分类、语义分割及非刚性形状分

这篇文章详细解读了经典论文“Handwritten Digit Recognition with a Back-Propagation Network”。1989年，LeCun等人提出了使用卷积神经网络（CNN）进行手写数字识别的方法，特别应用于美国邮政编码。文章分析了网络结构，包括卷积层和池化层的设计，以及反向传播的训练过程。研究强调自动特征提取的优势，减少了复杂的手动预处理。最终，该网络成功部

这篇文章详细解读了经典论文“Handwritten Digit Recognition with a Back-Propagation Network”。1989年，LeCun等人提出了使用卷积神经网络（CNN）进行手写数字识别的方法，特别应用于美国邮政编码。文章分析了网络结构，包括卷积层和池化层的设计，以及反向传播的训练过程。研究强调自动特征提取的优势，减少了复杂的手动预处理。最终，该网络成功部

这份笔记详细介绍了序列模型的基础概念和应用，包括循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）等模型。它涵盖了词嵌入技术，如Word2Vec和GloVe，以及去除偏见的方法。笔记还讨论了注意力机制在处理长序列依赖问题中的重要性，并介绍了自然语言处理中的关键概念和方法。

这篇文章详细解读了经典论文“Handwritten Digit Recognition with a Back-Propagation Network”。1989年，LeCun等人提出了使用卷积神经网络（CNN）进行手写数字识别的方法，特别应用于美国邮政编码。文章分析了网络结构，包括卷积层和池化层的设计，以及反向传播的训练过程。研究强调自动特征提取的优势，减少了复杂的手动预处理。最终，该网络成功部