dataWhale

DataWhale西瓜书第一第二章学习笔记

视频绪论人工智能机器学习深度学习计算机视觉自然语言处理推荐系统高等数学：会求偏导数线性代数：会矩阵运算概率论与数理统计：随机变量是什么内容定位：西瓜书里的算法的公式推导本科数学视频：张宇考研数学系列第一章1.2基本术语数据集（dataset）：数据记录的集合示例（instance）/样本（sample）：每条记录是关于一个事件或对象的描述属性（attribute）/特征（feature）：反映事件
akriver·2022-11-20 08:53

【datawhale】西瓜书+南瓜书阅读第1、2章笔记

chapter1绪论机器学习：通过计算手段，利用经验来改善系统自身性能。模型：泛指从数据中学到的结果分类：预测离散值回归：预测连续值预测过程称为“测试”根据训练数据是否拥有标记信息，学习任务可大致划分为两大类"监督亦称啃导f币学习"和学习"(supervisedlearning)和"无监督学习"学得模型适用于新样本的能力，称为"泛化"(generalization)能力归纳(induction)与
照旧的你好·2022-11-20 06:09

【DW组队学习—吃瓜教程】task4：概览西瓜书+南瓜书第5章

参考资料：1、周志华《机器学习》2、B站up主‘二次元的Datawhale’《【吃瓜教程】《机器学习公式详解》（南瓜书）与西瓜书公式推导直播合集》
0_×·2022-11-20 06:06

【DW组队学习—吃瓜教程】task3：概览西瓜书+南瓜书第4章

参考资料：1、周志华《机器学习》2、B站up主‘二次元的Datawhale’《【吃瓜教程】《机器学习公式详解》（南瓜书）与西瓜书公式推导直播合集》
0_×·2022-11-20 06:05

深度学习（李宏毅）p3-p4笔记，Datawhale组队学习Task02

心得分享：1、可以通过引入正则项（权重(w,weights)也加入到loss的计算中），来降低模型复杂度。其中偏置(b,bias)其实不用放入正则中，因为我们只想要更平滑的，b不会影响是否平滑；2、通过梯度下降(GD,GradientDescent)来调整参数，降低损失(loss)；3、多个参数就求对应的偏导；4、目标值真实yhat,平均值ybar；5、If类的也可以通过线性模型来表示，比如通过δ
飞速移动的代码菌·2022-11-20 05:30

机器学习-吃瓜教程（西瓜书+南瓜书）-神经网络

datawhale-吃瓜教程-神经网络Task01：概览西瓜书+南瓜书第1、2章Task02：详读西瓜书+南瓜书第3章Task03：详读西瓜书+南瓜书第4章Task04：详读西瓜书+南瓜书第5章Task05
小740·2022-11-20 05:23

西瓜书第一章、第二章读书笔记

注：此文章内容来源于周志华老师的西瓜书及DataWhale团队的南瓜书，此文章是本人在阅读前两章内容时，对自己认为的重要内容所做的读书笔记及思考。
星☆空·2022-11-20 03:59

Datawhale-李宏毅深度学习Day1

在了解深度学习之前，我们首先要学习机器学习以及明白为什么要学习机器学习。机器学习来自台大的李宏毅老师以河狸筑水坝的例子讲述了生物本能与机器本能的相似，再指出了采用hand-craftedrules的chat-bot表面上看起来很“智能”，实则全是if构造，只能实现显式编程。让我印象深刻的是，李老师将machinelearning所做的事情比作寻找一个function的过程。同时李老师将清楚的讲述了
xyuuuyx·2022-11-20 01:09

Datawhale第35期组队学习《深入浅出Pytorch-进阶》第一次打卡

根据datawale发布的pytorch学习手册（地址：datawhale-pytorch）进行深入阅读之后，创建了pytorch知识点的思维导图。
神笔小新·2022-11-19 20:15

误差与梯度下降（李宏毅《机器学习》）

Datawhale202211李宏毅《机器学习》（深度学习方向）P5-P8——误差与梯度下降文章目录Datawhale202211李宏毅《机器学习》（深度学习方向）P5-P8——误差与梯度下降前言一、误差误差哪里来估测判断选择二
Beyond_April·2022-11-19 19:33

PyTorch进阶训练技巧及UNet演示

Datawhale202210——《深入浅出PyTorch》（6）文章目录Datawhale202210——《深入浅出PyTorch》（6）前言一、自定义损失函数以函数方式定义以类方式定义二、动态调整学习率使用官方
Beyond_April·2022-11-19 19:33

PyTorch模型定义及MNIST演示

Datawhale202210——《深入浅出PyTorch》（5）Sequential+ModuleList+ModuleDict代码演示前言深度学习模型构建和搭积木一样有趣，要想实现最终的结果，首先需要明白如何定义单个模型
Beyond_April·2022-11-19 19:33

PyTorch生态与部署

Datawhale202210——《深入浅出PyTorch》（8、9章）torchvision+PyTorchVideo+torchtext+transforms实战+ONNX部署文章目录Datawhale202210
Beyond_April·2022-11-19 19:33

ML/DL入门介绍——回归

Datawhale202211—李宏毅《机器学习》（深度学习方向）回归基本介绍+代码演示文章目录Datawhale202211—李宏毅《机器学习》（深度学习方向）前言一、回归基本介绍回归的定义应用举例模型步骤模型优化二
Beyond_April·2022-11-19 19:33

PyTorch安装+基础知识

PyTorch安装+基础知识Datawhale202210——PyTorch（0、1、2）Anaconda+CUDA+PyTorch+Jupyternotebook全套安装+PyTorch入门知识文章目录
Beyond_April·2022-11-19 19:32

PyTorch主要组成模块+FashionMNIST基础实战

Datawhale202210——《深入浅出PyTorch》（3、4）文章目录Datawhale202210——《深入浅出PyTorch》（3、4）前言一、深度学习任务的总体流程与具体说明DL/ML任务的总体流程
Beyond_April·2022-11-19 19:02

【githubshare】深度学习蘑菇书，覆盖了强化学习、马尔可夫决策过程、策略梯度、模仿学习

GitHub：github.com/datawhalechina/easy-rl该教程也称为“蘑菇书”，寓意是希望此书能够为读者注入活力，让读者“吃”下这本蘑菇之后，能够饶有兴致地探索强化学习，像马里奥那样愈加强大
GitHubSharing·2022-11-19 19:44

ML/DL入门介绍（底层理解+基本概念）

Datawhale202211—李宏毅《机器学习》（深度学习方向）ML的基本情况+相关技术+学习目标（这里结合了李沐大神的《动手学深度学习的部分内容》）文章目录Datawhale202211—李宏毅《机器学习
Beyond_April·2022-11-19 19:06

Datawhale2021年11月组队学习——卷积神经网络

以下内容为对Datawhale2021年11月组队学习中“水很深的深度学习”课程的卷积神经网络的简要总结。
zxc123qwer·2022-11-19 15:53

十二月组队学习之——目标检测Task01：两个年轻人-目标检测基础和VOC数据集

有幸参加了DataWhale举办的目标检测组队学习。收获颇多。每天记录一些自己之前的知识盲点，需经常温习。
陈俊超Code My Life·2022-11-19 15:39

谷歌出品！机器学习常用术语总结

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货来源：比特小组，推荐人：杨佳达机器学习术语表Google官方出品的机器学习中英文术语对照表，列出了一般的机器学习术语和
Datawhale·2022-11-19 15:47

强化学习，路在何方？

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货来源：DeepRL实验室，转自：睿慕课▌一、深度强化学习的泡沫2015年，DeepMind的VolodymyrMnih
Datawhale·2022-11-19 15:46

【机器学习】西瓜书学习笔记01

基于周志华《机器学习》一书所作笔记，得益于参加datawhale的学习小组，将知识读薄理解，输出以感悟，读厚以加深理解，从而形成自己的框架。希望大家也能一起进行开源学习，进一寸有一寸的欢喜。
Howe_xixi·2022-11-19 15:45

Datawhale学习笔记-飞桨AI-Task02：头脑风暴：让人拍案叫绝的创意是如何产生的？

今天依然是简单做个笔记。重视创意：好项目需要创意1.以终为始：从需求出发，挖掘好创意，场景驱动项目如：社会治理、产业需求、趣味游戏2.数据先行：围绕已有的开源数据集去思考应用场景及实现技术数据集平台：AIStudio、格物钛、Kaggle、和鲸等这里再补充记录几个我用到过的：AmazonWebServices（AWS）datasetsGoogledatasetsYoutubelabeledVide
天空David·2022-11-19 14:12

集成学习（上）Task01：熟悉机器学习的主要任务

DataWhale集成学习（上）Task01：熟悉机器学习的主要任务1什么是机器学习2有监督学习导论2.1回归2.2分类这算是我第一次正式、系统学习【机器学习】和【集成学习】，言外之意我就是个小白（交通专业
等等党·2022-11-19 13:57

【Datawhale跨模态实践学习笔记】Jina体验

一、Jina是什么定义简单来说Jina可以帮助你快速把非结构化数据例如图像，文档视频等，转换为向量数据。并结合Jina的其他组件设计，帮助你快速的把向量数据利用起来，实现多模态的数据搜索。三个基本概念Document、Executor和Flow是Jina的三个基本概念。Document是基本的数据类型，它的作用就是可以将非结构化数据与向量数据之间进行映射，具体细节会在DocArray一章中详细阐述
JeffDingAI·2022-11-19 07:19

【Datawhale跨模态实践学习笔记】跨模态模型学习

一、CLIP模型CLIP模型将原有的图像标签替换为图像的文本描述信息，来监督视觉任务的训练，在下游任务中得到了较好的zero-shot的结果。该模型将图像分类问题转换为图文匹配问题，在下游任务（以图像分类为例）的实现中，我们需要先基于图像标签集合，构造textprompt并将其通过clip的textencoder获得文本编码向量，之后，将图片通过imageencoder获得图像编码向量。对于每张图
JeffDingAI·2022-11-19 07:19

VCED跨模态学习与实践（二）

文章目录基础实践CLIP模型和JinaNow基础实践参考：https://github.com/datawhalechina/vced/blob/main/docs/source/user_guide/
irrationality·2022-11-19 07:17

2022011-跨模态实践 Task02 Jina 生态

本笔记为DataWhale11月跨模态实践课程的学习内容，链接为：https://github.com/datawhalechina/vced/blob/main/README.md目录一、成功启动grpc
MickWang1942·2022-11-19 07:17

datawhale 11月学习——水很深的深度学习：循环神经网络

前情回顾深度学习概述和数学基础机器学习基础前馈神经网络概述本次学习结合了李宏毅机器学习的相关章节进行学习，从首先补充了计算图的相关知识，随后，学习了RNN的结构，训练，及可能遇到的梯度消失的问题；再进步学习了LSTM的结构，和例子。同时简单使用torch进行了代码实现。还了解了其他经典的循环神经网络，及其主要应用。目录前情回顾概述1计算图2RNN2.1为什么需要RNN2.2RNN的简单案例2.3基
SheltonXiao·2022-11-19 07:26

[datawhale202210]李宏毅机器学习2021：机器学习模型的可解释性

结论速递可解释性是不可缺少的，因为我们需要在借助机器学习模型做出决策时了解机器学习模型做出决策的原因。模型原生的可解释性和模型本身的拟合能力之间存在着一定的矛盾，线性模型可解释性好，但拟合能力差，而神经网络则恰恰相反。兼具强可解释性和强拟合能力的决策树模型，在实际应用当中也会陷入可解释性变差的困境。我们所探讨的可解释性，是试图给黑箱的模型一个原因，来帮助决策。模型的可解释性分为Local和Glob
SheltonXiao·2022-11-19 07:56

[datawhale202211]跨模态神经搜索实践：跨模态模型

结论速递本次任务首先了解了CLIP模型及其原理，CLIP模型将图像标签替换为图像的文本描述信息，来监督视觉任务的训练，引入了语义匹配实现下游任务的zero-shot。多模态和跨模态可能是未来模型的发展方向，多模态尝试结合不同信息表达方式的优势，而跨模态进一步探索新的信息表达方式。简单了解了diffusion模型。目录结论速递1CLIP模型1.1CLIP简介1.2CLIP的动机1.3CLIP的原理1
SheltonXiao·2022-11-19 07:56

Datawhale 6月学习——图神经网络：基于GNN的节点预测任务及边预测任务

前情回顾图神经网络：图数据表示及应用图神经网络：消息传递图神经网络图神经网络：基于GNN的节点表征学习1节点预测任务1.1任务简述通过构造一个数据完整存于内存的数据集类，并建立一个多层的图神经网络，来实现节点预测节点预测1.2数据完整存于内存的数据集类所谓数据完整存于内存的数据集类，是指对于占用内存有限的数据集，可以将整个数据集的数据都存储到内存里。本部分主要是理解InMemory数据集类及学会覆
SheltonXiao·2022-11-19 07:26

Datawhale跨模态实践打卡｜一、Mac配置环境

项目地址:https://github.com/datawhalechina/vced环境配置方式一：安装源码由于我的brew版本旧了，出现诸多问题，直接重装了brew，这是一个国内镜像源的下载地址：/
xx要努力学编程·2022-11-19 07:52

[datawhale202211]跨模态神经搜索实践：Jina生态

结论速递Jina生态有两个重要的组成成分：Jina结构本身，以及数据形式DocArray。Jina的基本结构包含三部分：Flow，Executor，还有客户端Client，理解他们之间的交互关系很重要。DocArray是Jina的数据形式，实现多模态数据处理的重要环节。本次task熟悉了文本，图像及视频三种形式的DocArray的处理。前情提要环境配置目录结论速递前情提要1Jina简介1.1了解J
SheltonXiao·2022-11-19 07:10

李宏毅机器学习Day03之误差

不同模型的方差不同模型的偏差偏差与方差解决方案：tradeoffbetweenbiasandvarience偏差太大：方差太大：模型选择交叉验证参与了datawhale组队学习，李宏毅老师机器学习课程学习打卡课程资料
心yu·2022-11-19 04:05

李宏毅机器学习Day01之机器学习介绍

Supervisedlearning1Regression2Classification3StructuredlearningSemi-supervisedlearningTransferlearningUnsupervisedlearning参与了datawhale
心yu·2022-11-19 04:04

DataWhale 深度学习 第二次打卡

第二次打卡学习笔记1.过拟合欠拟合及其解决方案2.梯度消失与梯度爆炸3.循环神经网络进阶4.机器翻译及相关技术5.注意力机制与Seq2seq模型6.Transfomer7.卷积神经网络基础8.LeNet9.卷积神经网络进阶过拟合欠拟合及其解决方案在解释过拟合和欠拟合现象之前，我们需要区分训练误差（trainingerror）和泛化误差（generalizationerror）。通俗来讲，前者指模型
H_opeful·2022-11-19 04:48

Datawhale-李宏毅机器学习-task01

AsthesourceofthegroupstudytasksofDatawhaleistheChineseversionofLee’sMLcourse,IamtryingtomakeanEnglishversionnotesofthecourse.Therefore
叶xinwu·2022-11-19 02:33

Datawhale-李宏毅机器学习-task02

estimateTheP3vediogivesadifferentviewtoregressionmodel.Comparedwiththetraditionalregressionmodel,animportantdifferenceisthattheregressionsectionofMLcourseisbasedongradientdescent,whilethetraditionalre
叶xinwu·2022-11-19 02:33

李宏毅机器学习-Task1

李宏毅机器学习–Task1很开心能够参加Datawhale十月组队学习活动,今天起我将在CSDN上发布我的李宏毅机器学习课程学习笔记。
天气冷冷的_ncepu·2022-11-19 02:51

Datawhale 李宏毅机器学习 Task2

RegressionRegression实践Regression就是找到一个函数function，通过输入特征x，输出一个数值Scalar。Step1.ModelAsetoffunctionf1,f2,…f_1,f_2,\dotsf1,f2,…linearmodels:$y=b+\sumw_ix_i$xix_ixi:feature,$w_i$:weight,bbb:biasStep2.Goodne
STUffT·2022-11-19 02:48

Datawhale 李宏毅机器学习 Task3

误差和梯度下降1.误差从哪里来？Error的来源估测为什么会有很多的模型？偏差VS方差模型选择2.梯度下降法调整学习率随机梯度下降法特征缩放1.误差从哪里来？Error的来源Bias:偏差variance:方差噪声偏差(Bias)和方差(Variance)——机器学习中的模型选择估测评估x的偏差评估x的方差为什么会有很多的模型？不同的数据集考虑不同模型的方差简单模型：方差较小；复杂模型：方差较大（
STUffT·2022-11-19 02:48

Datawhale-车道渲染数据智能质检

车道渲染数据智能质检学习任务及时间点1.报名并理解赛题任务2.配置环境2.1基本概念2.2CUDA安装2.3相关shell指令2.4下载并解压数据2.5创建虚拟环境，并安装需要的库3.baseline实践3.1配置jupyternotebook3.2运行代码4.数据处理、算法应用技能学习4.1多GPU运行设置4.2提升方法4.2.1设置数据扩增4.2.2模型优化4.2.3伪标签4.3结果记录5.相
STUffT·2022-11-19 02:18

datawhale李宏毅机器学习——task07总结

在任务01中，对机器学习的定义、结构和功能有了大致了解。机器学习是为了让机器能够像人一样拥有智慧而设计的一种算法，这种算法最大的特点在于从一堆数据中根据设定的神经网络学习数据中隐含的知识。机器学习的执行步骤，首先，明确要解决的问题类型，是回归还是分类；然后，根据问题类型选择函数集，有线性的非线性的，非线性的就是指深度学习、SVM、KNN这些；最后，根据数据有无标签的特点，选择训练方法。在任务02中
山泼黛·2022-11-19 02:44

Datawhale 李宏毅机器学习 Task2

一、回归的定义和举例定义：Regression就是找到一个函数function，通过输入特征x，输出一个数值Scalar。举例：①股市预测输入：过去10年股票的变动、新闻咨询、公司并购咨询等输出：预测明天股市的平均值②自动驾驶输入：无人车上的各个传感器的数据，例如路况、测出的车距等输出：方向盘的角度③商品推荐输入：商品A的特性，商品B的特性输出：购买商品B的可能性④宝可梦进化的属性预测输入：进化前
社区小萌新·2022-11-19 02:14

datawhale李宏毅机器学习——task04“深度学习简介和反向传播”

深度学习有三个步骤：①选择神经网络②模型评估③选择最优函数神经网络是由神经元按照一定结构连接而成的。经典的连接方式是全连接前馈神经网络：全连接指上一神经层与下一神经层之间两两相连。前馈指的是信息由输入层传递到输出层，流动方向是由后往前传。深度学习中的深度指的是隐藏层有很多层，比如经典的Alexnet有8层，vgg有19层。层数越多，虽然会降低模型的错误率，但运算量也会随之增大。深度学习的本质可以看
山泼黛·2022-11-19 02:14

datawhale李宏毅机器学习——task05“网络设计技巧”

由前面的学习内容知道，建立深度学习的三个步骤是①选择函数集②评估函数③选择最好的函数做完三个步骤之后会得到自己的神经网络，这时候需要检查神经网络的表现，检查哪些方面呢？1)首先是神经网络在训练集上是否得到了好的结果，如果没有，可以回顾前面的步骤进行调整和修改。2)如果在训练集上有好的效果，再看神经网络在测试集上的表现，如果在测试集上效果不好，说明网络出现了过拟合。（值得说明的是，只有当网络在训练集
山泼黛·2022-11-19 02:14

datawhale李宏毅机器学习——task06“卷积神经网络“

卷积神经网络也就是CNN，在图像处理上有很大用处。那为什么要用CNN呢，这种网络相比其他网络有什么得天独厚的优势吗？拿前面提到的很经典的多层前馈神经网络来说，这个网络很重要的一点是后一层与前一层全连接。而神经元与神经元之间连接会有权重参数，这样一来，一张几百个像素点的小尺寸相片也需要几千个参数，这样一来网络太庞杂了，很可能存在冗余。而CNN正是从这一点出发，简化原来这种全连接网络的架构。那cnn如
山泼黛·2022-11-19 02:14

datawhale李宏毅机器学习——task03“误差和梯度下降”

误差：模型越复杂，平均误差反而越大。这种error的主要来源是偏差bias和方差variance。由真实数据训练得到的模型与理想模型之间存在的差距就算是偏差和方差导致的。不同模型的偏差和方差不同。偏差大说明欠拟合。方差大说明过拟合。因此需要在偏差和方差之间权衡一个模型，使得总误差最小。可以通过交叉验证或者n折交叉验证得到的准确率来选择。梯度下降法：这是一种更新参数值的方法。就是每次更新的幅度，由当
山泼黛·2022-11-19 02:44
上一页 21 22 23 24 25 26 27 28 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他