专栏——深度学习入门笔记文章目录专栏——深度学习入门笔记本章内容一.人工智能的机遇与挑战二.机器学习2.1 什么是机器学习2.2 用机器学习解决问题的一般流程2.3 数据预处理2.4 特征工程2.5 模型性能的评估与选择三深度学习的发展历程和应用3.1 深度学习的发展历程3.2 深度学习的应用本章内容人工智能的发展及其面临的挑战机器学习的基础知识和基本概念特征工程的方法和流程深度学习的发展及应用1

文章目录数据聚合与分组操作一.GroupBy机制1.1遍历各分组1.2选取一列或所有列的子集1.3 通过字典或Series进行分组1.4 通过函数进行分组1.5根据索引层级分组二. 数据聚合2.1面向列的多函数应用2.2返回不含行索引的聚合数据10.3 应用(apply)：通用“拆分－应用－合并”3.1禁用分组索引3.2分位数和桶分析3.3示例：用特定于分组的值填充缺失值3.4 示例：随机采样和排

卷积神经网络import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layers,Sequential,losses,optimizers,datasets1.卷积层的实现在 TensorFlow 中，既可以通过自定义权值的底层实现方式搭建神经网络，也可以直接调用现成的卷积层类的高层方式快速搭建

文章目录一.聚类的基本概念1.1 相似度或距离1.2 类或簇1.3 类与类之间的距离二.层次聚类2.1 基本概念2.1 算法描述2.3 例题三.K均值聚类3.1 模型3.2 策略3.3 算法3.3.1 K-Means ++ 中的聚类中心初始化算法：3.3.2聚类数 K 的确定3.3.3 K均值聚类算法描述3.4.例题四.密度聚类(DBSCAN)4.1 相关概念4.2 算法描述一.聚类的基本概念聚类

文章目录一.基本形式二.线性回归2.1 离散属性连续化2.2 最小二乘法2.3 多元线性回归2.4 广义线性模型三.对数几率回归（逻辑回归）3.1 最大似然估计四.线性判别分析（LDA）五.类别不平衡问题5.1 欠采样5.2 过采样5.3阙值移动一.基本形式给定由d个属性描述的示例 x= (x1; x2; …; xd) ,其中 xi 是 x 在第 i 个属性上的取值, 线性模型(inear mod

文章目录一.基本形式二.线性回归2.1 离散属性连续化2.2 最小二乘法2.3 多元线性回归2.4 广义线性模型三.对数几率回归（逻辑回归）3.1 最大似然估计四.线性判别分析（LDA）五.类别不平衡问题5.1 欠采样5.2 过采样5.3阙值移动一.基本形式给定由d个属性描述的示例 x= (x1; x2; …; xd) ,其中 xi 是 x 在第 i 个属性上的取值, 线性模型(inear mod

在深度学习中，我们通常会频繁地对数据进行操作。作为动手学深度学习的基础，本节将介绍如何对内存中的数据进行操作。在PyTorch中，torch.Tensor是存储和变换数据的主要工具。如果你之前用过NumPy，你会发现Tensor和Num

文章目录一.聚类的基本概念1.1 相似度或距离1.2 类或簇1.3 类与类之间的距离二.层次聚类2.1 基本概念2.1 算法描述2.3 例题三.K均值聚类3.1 模型3.2 策略3.3 算法3.3.1 K-Means ++ 中的聚类中心初始化算法：3.3.2聚类数 K 的确定3.3.3 K均值聚类算法描述3.4.例题四.密度聚类(DBSCAN)4.1 相关概念4.2 算法描述一.聚类的基本概念聚类

1. AlexNetAlexNet与LeNet的设计理念非常相似，但也有显著的区别。第一，与相对较小的LeNet相比，AlexNet包含8层变换，其中有5层卷积和2层全连接隐藏层，以及1个全连接输出层。下面我们来详细描述这些层的设计。AlexNet第一层中的卷积窗口形状是11×1111\times1111×11。因为ImageNet中绝大多数图像的高和宽均比MNIST图像的高和宽大10倍以上，Im

文章目录1.绘制线段2.绘制矩形、圆形和椭圆3.绘制任意多边形4.文字图片绘制1.绘制线段cv2.line(img, pt1, pt2, color, thickness, lineType):-img: 目标图像-pt1: 起点-pt2: 终点-color: 绘制的颜色-thickness: 线段宽度-lineType: 线段类型import cv2import numpy as npnewIm