自上而下(符号推理)1 | 自下而上(神经网络)2 |
---|---|
提取人类知识转换为计算机可读的形式 | 自下而上的方法模拟了人脑的结构,由大量称为神经元的简单单元组成。每个神经元的行为就像其输入的加权平均值,我们可以通过提供训练数据来训练神经元网络来解决有用的问题。 |
[1]: Up-Down Approach:将推理的过程形式化并在计算机内部进行编程,依赖于知识表示和推理
[2]: Bottom-Up Approach:在计算机内部构建一个所谓的人工神经网络,然后尝试通过举例来教它解决问题。这个过程类似于新生儿通过观察来了解周围环境的过程。
总结:前向推理是从已知的数据和规则出发,逐步推导出更多的结论和信息,而后向推理是从目标出发,逆向推导出达到目标所需的前提条件或已知事实。推理方法在不同的问题和场景中有不同的应用。
ML:基于计算机学习来解决某些数据问题的人工智能的一部分。
区别 | TensorFlow | PyTorch |
---|---|---|
计算图的定义 | 使用静态计算图,先定义,后执行 | 使用动态计算图,计算图在构建时根据运行的需要动态地调整图结构 |
使用对象 | 适合大规模,应用范围广 | 适合小规模项目,容易上手调试 |
灵活性 | 手动迁移数据和参数 | 数据和参数在CPU和GPU迁移更灵活,调试更严格 |
计算速度 | 相同条件下,TensorFlow在CPU上计算速度更快 | 在GPU上,两者相差不大 |
依赖库 | 支持更多的库函数 | |
数据加载 | API设计较为庞大,使用上有一些技巧,有时无法直接将数据加载进TensorFlow | 数据加载API设计风格较强,由数据集、采样器和数据加载器构成 |
设备管理 | 不需要手动调整 | 需要指定设备的使用 |
欠拟合:
指模型无法很好地拟合训练数据,表现为训练误差和测试误差都很高。
原因是模型过于简单,无法捕捉到数据中的复杂关系,或者特征量过少。
解决方法包括增加特征、使用更复杂的模型、减少正则化参数等。
过拟合:
指模型在训练集上表现很好,但在测试集上表现很差,表现为训练误差很低,但测试误差很高。
原因是模型过于复杂,过度拟合了训练数据中的噪声和局部特征,导致泛化能力下降。
解决方法包括增加数据量、使用正则化、减少模型复杂度等。
总结:
欠拟合和过拟合都是机器学习中常见的问题,都会导致模型的泛化能力下降。
欠拟合是由于模型过于简单,无法捕捉到数据中的复杂关系,而过拟合是由于模型过于复杂,过度拟合了训练数据中的噪声和局部特征。
解决欠拟合可以增加特征、使用更复杂的模型、减少正则化参数等,解决过拟合可以增加数据量、使用正则化、减少模型复杂度等。
GOFAI
神经架构:处理图像和文本
https://github.com/microsoft/AI-For-Beginners/
https://microsoft.github.io/AI-For-Beginners/?id=artificial-intelligence-for-beginners-a-curriculum
人工智能初学者
https://learn.microsoft.com/en-us/users/dmitrysoshnikov-9132/collections/31zgizg2p418yo?WT.mc_id=academic-77998-cacaste
人工智能初学者合集
https://github.com/microsoft/Web-Dev-For-Beginners
网页开发初学者
https://github.com/microsoft/ML-For-Beginners
https://microsoft.github.io/ML-For-Beginners/#/
机器学习初学者
免费的交互式路线图,供您自学数据科学和机器学习。数据科学学习资源的搜索引擎(免费)。为您最喜欢的资源添加书签,将文章标记为完整并添加学习笔记。从这里开始: https: //aigents.co/learn/roadmaps/intro
想要在导师和学习社区的支持下从头开始学习数据科学吗?免费加入此学习圈:https /community.aigents.co/spaces/9010170/
又称人工神经网络(ANN),是机器学习的一部分
为什么会出现过拟合?怎么检测过拟合,如何防止过拟合?
过度拟合实际上是统计学的“偏差-方差权衡”
偏差小(欠拟合)
在训练过程中,偏差误差会减小(当我们的模型学习近似数据时),而方差误差会增加。重要的是停止训练——无论是手动(当我们检测到过度拟合时)还是自动(通过引入正则化)——以防止过度拟合。
我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客:
撤销:Ctrl/Command + Z
重做:Ctrl/Command + Y
加粗:Ctrl/Command + B
斜体:Ctrl/Command + I
标题:Ctrl/Command + Shift + H
无序列表:Ctrl/Command + Shift + U
有序列表:Ctrl/Command + Shift + O
检查列表:Ctrl/Command + Shift + C
插入代码:Ctrl/Command + Shift + K
插入链接:Ctrl/Command + Shift + L
插入图片:Ctrl/Command + Shift + G
查找:Ctrl/Command + F
替换:Ctrl/Command + G
直接输入1次#,并按下space后,将生成1级标题。
输入2次#,并按下space后,将生成2级标题。
以此类推,我们支持6级标题。有助于使用TOC
语法后生成一个完美的目录。
强调文本 强调文本
加粗文本 加粗文本
标记文本
删除文本
引用文本
H2O is是液体。
210 运算结果是 1024.
链接: link.
图片:
带尺寸的图片:
居中的图片:
居中并且带尺寸的图片:
当然,我们为了让用户更加便捷,我们增加了图片拖拽功能。
去博客设置页面,选择一款你喜欢的代码片高亮样式,下面展示同样高亮的 代码片
.
// An highlighted block
var foo = 'bar';
一个简单的表格是这么创建的:
项目 | Value |
---|---|
电脑 | $1600 |
手机 | $12 |
导管 | $1 |
使用:---------:
居中
使用:----------
居左
使用----------:
居右
SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如:
TYPE | ASCII | HTML |
---|---|---|
Single backticks | 'Isn't this fun?' |
‘Isn’t this fun?’ |
Quotes | "Isn't this fun?" |
“Isn’t this fun?” |
Dashes | -- is en-dash, --- is em-dash |
– is en-dash, — is em-dash |
一个具有注脚的文本。2
Markdown将文本转换为 HTML。
您可以使用渲染LaTeX数学表达式 KaTeX:
Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过欧拉积分
Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞tz−1e−tdt.
你可以找到更多关于的信息 LaTeX 数学表达式[here][1].
可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图:
这将产生一个流程图。:
我们依旧会支持flowchart的流程图:
如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ,生成一个.md文件或者.html文件进行本地保存。
如果你想加载一篇你写过的.md文件,在上方工具栏可以选择导入功能进行对应扩展名的文件导入,
继续你的创作。
mermaid语法说明 ↩︎ ↩︎
注脚的解释 ↩︎ ↩︎