深度学习笔记 04：CNN、RNN 与经典结构 本篇整理序列模型，主要参考Stanford 224n的sequence model一课。整理 RNN、LSTM、GRU等模型 2024-08-24 深度学习笔记 #深度学习 #笔记 #CNN #RNN #LSTM #ResNet
深度学习笔记 03：深度网络训练与优化器 深度神经网络中，光能训练模型还不够，能“稳定的”训练模型才NB。 本篇涉及：梯度消失/爆炸，归一化，dropout，以及优化器。 2024-08-17 深度学习笔记 #深度学习 #笔记 #优化器 #正则化
深度学习笔记 02：MLP、前向传播与反向传播 本篇整理多层感知机（MLP），以及神经网络到底如何通过前向传播和反向传播完成训练。 2024-08-10 深度学习笔记 #深度学习 #笔记 #MLP #反向传播 #计算图
深度学习笔记 01：从特征工程到表示学习 神经网络和机器学习的本质还是一样的，都是为了找到一组参数w，使得 y hat = w1 * x + w2 * x + b 的预测值更接近真实的标签y。 2024-08-03 深度学习笔记 #深度学习 #神经网络 #笔记
机器学习笔记 06：评估、验证与模型选择 训练 loss 下降只能说明模型更适合训练数据，不等于模型真的有用。好的评估指标和验证方式决定了最后会选择哪个模型，也决定了这个选择是否可靠。 模型评估的核心问题是： 1这个模型在真正关心的场景里，到底有没有变好？ 不同任务里，“好”的定义不一样。房价预测关心预测误差，垃圾邮件识别关心别把正常邮件误删，疾病筛查关心别漏掉阳性病例。 well，具体情况，具体分析。 2024-07-14 机器学习笔记 #笔记 #机器学习 #评估 #交叉验证 #模型选择
机器学习笔记 05：无监督学习与降维 在无监督学习中，通常没有明确答案，目标更多是发现数据结构。最常见的两类任务是 clustering 和 dimensionality reduction。 2024-07-06 机器学习笔记 #笔记 #机器学习 #无监督学习 #聚类 #PCA
机器学习笔记 04：树模型 树模型的核心思想很直观：不断用特征把数据切开，让每个子节点里的样本越来越“纯”。本文介绍： decision tree 随机森林 XGBoost 2024-06-29 机器学习笔记 #笔记 #机器学习 #决策树 #随机森林 #XGBoost
机器学习笔记 03：有监督学习 本篇记录supervised learning，包括： Linear/logistic Regression KNN 以及距离度量 2024-06-22 机器学习笔记 #笔记 #机器学习 #线性回归 #逻辑回归 #KNN
机器学习笔记 02：信息论、损失函数、与优化 在监督学习中我们会有一个标准答案：label y和预测值prediction，为了让预测值不断接近真实答案，就需要用到损失函数了。 2024-06-15 机器学习笔记 #笔记 #正则化 #机器学习 #损失函数 #优化
机器学习笔记 01：机器学习的基本框架 机器学习到底在学什么，一个模型从数据到预测结果之间经历了什么，以及为什么训练集表现好并不等于模型真的好。 可以先把 machine learning 理解成： 从已有数据中学习一个可以泛化到未来数据的 prediction function。 2024-06-08 机器学习笔记 #笔记 #机器学习