⚡终于！！！⚡终于又有时间学习Deep Learning了⚡！30天ML计划，一起加油！！！https://blog.csdn.net/weixin_44333889/category_11271153.html《专栏》在训练NN的时候，有哪些Optimizers可以优化更快的找到global Minima？下面我们来看下有哪些方法可以优化求解。Background在训练神经网路的时候，最开始我们

HarmonyOS 十分钟入门基础知识｜和车神哥一起学

Gradient Descent(梯度下降) + Momentum(动量)上次 这里 介绍了Gradient Descent寻找最优解的过程学习到发现还有一个算法就是加上Momentum(动量，就是上一次Gradient Descent后的步长值)来作为下一次更新位置的参数，这样来寻找局部最优解Local Minima的话，会比单独使用梯度下降法来求解效果更好。Movement：最后一步的移动目前

深度学习？感知机？TensorFlow？Pytorch？Keras？别疑惑🤔了，赶紧进来一起学习吧～

分享一个小技巧，最近需要用到视频转字幕，需要的小伙伴下面自取呀~

当在分享【宝藏系列】的时候，车神是不会说谎的~

纯理论推导，建议慢食！！！建议推一遍公式，挺好的。主成分分析(PCA Model, PM)PCA是一种统计方法，广泛应用于工程和科学应用中，与傅里叶分析相比，尤其适用于质量监测。设x∈Rm\boldsymbol{x} \in \mathfrak{R}^{m}x∈Rm表示mmm个传感器矢量的样本测量值。假设每个传感器有NNN个样本，数据矩阵X=[x1x2⋯xN]T∈RN×m\mathbf{X}=\l

由于项目的需要，一直苦于将多层数据集累加起来做成一个呈堆积状的三维图，有点类似于地形图，但又不是地形图。背景先说说项目背景，本菜鸡是搞故障诊断的，所以免不了用上一些统计学的知识，看过之前我的Blog的都会发现，T2T^2T2 和 SPESPESPE 在故障诊断邻域或者说是再小范围一点，在过程监控邻域，是很好用且很关键的两个统计量，用于监测过程中的一些有故障的检测点或者区间，会有阈值限，超过阈值的则

HarmonyOS 十分钟快速入门教程｜和车神哥一起学

搜罗了很多正则化的解释，发现在不同的地方有着不同的含义却又有着相似的味道。下面，来细品！机器学习机器学习中，如果参数过多，模型过于复杂，容易造成过拟合（overfit）。即模型在训练样本数据上表现的很好，但在实际测试样本上表现的较差，不具备良好的泛化能力。为了避免过拟合，最常用的一种方法是使用正则化，例如 L1 和 L2 正则化。但是，正则化项是如何得来的？其背后的数学原理是什么？L1 正则化和