dataWhale 第31页

我在交大的数学建模经验！

Datawhale干货作者：白志威，上海交通大学，吴文俊班内容概括1.数学建模介绍2.如何学习数学建模（含资料推荐）3.数模给我带来的收获数学建模介绍在了解什么是数学建模之前，我们可以先理解数学建模的意义

Datawhale·2021-11-17 21:00

DataWhale——人工智能、机器学习与深度学习绪论

人工智能、机器学习与深度学习人工智能定义人工智能历史机器学习分类，按照监督方式深度学习主要应用数学基础张量基本知识矩阵的秩：矩阵的逆矩阵的广义逆矩阵矩阵分解矩阵特征分解常见的概率分布二项分布均匀分布高斯分布***指数分布多变量概率分布条件概率联合概率条件概率和联合概率的关系贝叶斯公式（重点掌握）常用统计量信息论熵(Entropy)联合熵条件熵互信息KL散度，相对熵交叉熵最小二乘估计人工智能定义个人

小陈phd·2021-11-17 10:26

UnusualDeepLearning-task1

task1绪论与深度学习概述、数学基础(Datawhale31期组队学习)文章目录task1绪论与深度学习概述、数学基础基础点知识点1人工智能、机器学习与深度学习1.1人工智能1.2机器学习2深度学习的定义和主要应用

yxyibb·2021-11-15 15:30

2021数据挖掘赛题方案来了！

Datawhale干货作者：阿水，北京航空航天大学，Datawhale成员本文以世界人工智能创新大赛（AIWIN）心电图智能诊断竞赛为实践背景，给出了数据挖掘实践的常见思路和流程。

Datawhale·2021-11-14 21:00

转载：一文讲解图像插值算法原理

最近在研究插值算法，看到这篇CSDN博主Datawhale学习介绍的博文，觉得介绍得挺不错，转载过来。

LaoYuanPython·2021-11-05 08:31

【DataWhale组队学习】吃瓜教程(西瓜书+南瓜书)Task04-激活函数

本次任务是周志华老师《机器学习》第五章神经网络的内容，重点学习了前三个小节。学习过程中发现西瓜书对于神经网络激活函数的内容并未涉及太多，于是结合邱锡鹏老师的《神经网络与深度学习》第四章前馈神经网络的部分也进行了学习。下面对激活函数的学习结果进行大致的整理。一、激活函数的性质1.连续并可导（允许少数点上不可导）的非线性函数可导的激活函数可以直接利用数值优化的方法来学习网络参数。2.激活函数及其导函数

哒卜琉歪歪·2021-10-25 23:02

【DataWhale组队学习】吃瓜教程(西瓜书+南瓜书)Task03-香农信息量与信息熵

本次任务是周志华老师《机器学习》第四章决策的内容，该部分在本科也有过简单接触，研一机器学习课上也进行了系统的学习，下面对决策树所涉及的基础知识——香农信息量与信息熵进行整理。香农信息量假设p是连续型随机变量X的概率分布，p(x)为随机变量X在X=x处的概率密度函数值（若X为离散型，则p(x)为某一具体随机事件的概率），则随机变量X在X=x处的香农信息量定义为：单位为比特（向上取整）。香农信息量用于

哒卜琉歪歪·2021-10-24 23:40

DataWhale-树模型与集成学习-Task04-集成模式-202110

partB：集成模式：4.两种并行集成的树模型一、练习题1.练习题1解答：均方误差RMSE是预测值与真实值得误差平方根的均值。r2_score方法是将预测值和只使用均值的情况下相比，看能好多少。当量纲不同时，r2_score更容易衡量模型的效果好坏。2.练习题2解答：没有影响，因为只是对应位置上的值相减，和位置的顺序没有关系。二、知识回顾4.什么是随机森林的oob得分？解答：随机森林由于每一个基学

JZT2015·2021-10-24 23:56

2021科大讯飞-车辆贷款违约预测赛事 Top1方案！

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：望尼玛，浙江大学，Datawhale优秀选手知乎｜https://www.zhihu.com/people

Datawhale·2021-10-21 21:00

Pytorch实战（1）

需要指出的是，本文第一部分的文字和代码完全来自于Datawhale团队（深入浅出Pytorch），感谢~~第二部分是自己独立搭建的第一个小的网络模型。

hello_JeremyWang·2021-10-20 20:07

【DataWhale组队学习】吃瓜教程(西瓜书+南瓜书)Task02-心得感想

线性模型在本科阶段已经学了至少七遍了，几乎每门课都会讲到线性回归，虽然每次学习都或多或少有新的收获，但每次学习内容都大同小异。西瓜书本章节内容从广度和深度上都对线性模型有了新的拓展，学完后发现这一章融汇了多种知识去呈现线性模型，每种方法都殊途同归。本章学习主要跟着B站视频【吃瓜教程】《机器学习公式详解》(南瓜书)与西瓜书公式推导进行学习（安利一下，阿婆讲的真的很好！），以下是Task02任务进行中

哒卜琉歪歪·2021-10-18 23:49

DataWhale-树模型与集成学习-Task01-决策树-202110

一、练习题1.练习01解答：(1)(2)结合可以得到(3)通过上面已经得到的公式，很容易证明(4)H(X)对应AUB,H(Y)对应BUC,H(X|Y)对应A,H(Y|X)对应C,H(Y,X)对应AUBUC,G(Y,X)对应B2.练习02【练习】假设当前我们需要处理一个分类问题，请问对输入特征进行归一化会对树模型的类别输出产生影响吗？请解释原因。解答：不会，因为归一化处理不会改变样本输入特征和样本标

JZT2015·2021-10-14 21:35

Task 01：决策树（上）打卡（学习内容简单总结+课后题自解

Task1：学习链接：PartA:决策树—Datawhale(datawhalechina.github.io)学习到的知识：从信息论中引入信息熵，此作为判断节点不纯度，通过分裂来降低子节点的平均不纯度

小果一粒沙·2021-10-14 20:40

【DataWhale组队学习】吃瓜教程(西瓜书+南瓜书)Task01-假设空间与版本空间、NP问题

跟着某前途无量的前辈，第一次参加DataWhale的组队学习活动，第一天就认识了一些新朋友，优秀的人真的是在不断输入不断进步呀(●'◡'●)本期我选择了吃瓜教程的任务，刚好配着研一机器学习的课程，并且导师也要求本学期阅读学习邱锡鹏老师的

哒卜琉歪歪·2021-10-13 00:15

【DataWhale-集成学习】Task04 分类问题

文章目录一、什么是分类问题二、如何解决分类问题三、分类模型有哪些四、作业五、总结一、什么是分类问题在分类问题中，因变量是离散型变量，如：是否患癌症，西瓜是好瓜还是坏瓜等。二、如何解决分类问题首先，拿到数据需要确定属于什么性质类的问题，回归还是分类？然后，探索性分析不同特征之间的特点，相关性等等。接着，了解回归模型有哪些，以及他们之间的使用场景，优缺点等等。最后，用分类模型建立模型。三、分类模型有哪

LucyFang2020·2021-09-25 22:41

浙大赵俊博：重新审视模型 vs 数据这个问题！

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：赵俊博，浙江大学博导，整理：段秋阳1.为啥有必要重新审视？原因一：数据作为AI的能源燃料，被严重忽视。

Datawhale·2021-09-25 21:00

图像去模糊算法代码实践！

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：陈信达，上海科技大学，Datawhale成员1.起源：GAN结构与原理在介绍DeblurGANv2之前，我们需要大概了解一下

Datawhale·2021-09-24 21:00

机器学习模型调优总结！

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：XiaoyouWang，编译：机器之心无论是Kaggle竞赛还是工业部署，机器学习模型在搭建起来之后都面临着无尽的调优需求

Datawhale·2021-09-23 21:00

AI在农业领域的应用落地！

Datawhale活动方向：智慧农业，组织方：百度是时候，关注智慧农业这条“难且正确”的道路了。在不断变化、机遇与危机并存的商业社会中，农业一直算不上“热点”。

Datawhale·2021-09-22 21:00

施一公演讲太精彩！让科研迷茫的人少走很多弯路

Datawhale干货作者：施一公，西湖大学校长，编辑：理想岛强烈推荐大家看看这个视频，施一公院士关于如何科研、读研的精彩演讲，能够让迷茫的硕博们少走很多弯路。

Wang_AI·2021-09-22 09:00

九月组队学习来了！

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale学习开源贡献：Datawhale团队新学期新开始。

Datawhale·2021-09-08 21:27

DataWhale集成学习笔记-task06

Bagging思想的实质是：通过Bootstrap的方式对全样本数据集进行抽样得到抽样子集，对不同的子集使用同一种基本模型进行拟合，然后投票得出最终的预测。我们也从前面的探讨知道：Bagging主要通过降低方差的方式减少预测误差。那么，本章介绍的Boosting是与Bagging截然不同的思想，Boosting方法是使用同一组数据集进行反复学习，得到一系列简单模型，然后组合这些模型构成一个预测性能

zaprily·2021-08-28 22:47

DataWhale集成学习笔记-task05

模型融合：模型融合就是训练多个模型，然后按照一定的方法集成过个模型，应为它容易理解、实现也简单，同时效果也很好，在工业界的很多应用，在天池、kaggle比赛中也经常拿来做模型集成。集成学习：Bagging：bootStrapboosting:叠加式stacking：模型之间存在前后的关系，模型1的特征训练出给模型2进行训练投票法投票法是一种遵循少数服从多数原则的集成学习模型，通过多个模型的集成

zaprily·2021-08-26 12:21

DataWhale集成学习笔记-task04

对于分类任务考虑的问题1.分类模型的指标判定错和判定对的代价不同例如：我们将癌症患者错误预测为无癌症和无癌症患者错误预测为癌症患者，在医院和个人的代价都是不同的，前者会使得患者无法得到及时的救治而耽搁了最佳治疗时间甚至付出生命的代价，而后者只需要在后续的治疗过程中继续取证就好了，因此我们很不希望出现前者，当我们发生了前者这样的错误的时候会认为建立的模型是很差的。为了解决这些问题，我们必须将各种情况

zaprily·2021-08-24 23:05

李宏毅机器学习笔记 3.误差和梯度下降

最近在跟着Datawhale组队学习打卡，学习李宏毅的机器学习/深度学习的课程。

Simone Zeng·2021-08-22 19:28

DataWhale集成学习笔记-task02

视频：b站基础查漏补缺1.回归模型的度量模型性能的指标：MSE均方误差：MSE(y,y^)=1nsamples∑i=0nsamples−1(yi−y^i)2.\text{MSE}(y,\hat{y})=\frac{1}{n_\text{samples}}\sum_{i=0}^{n_\text{samples}-1}(y_i-\hat{y}_i)^2.MSE(y,y^)=nsamples1∑i=0n

zaprily·2021-08-19 20:33

吃瓜笔记01-02 机器学习绪论与模型评估指标

学习内容：西瓜书和南瓜书--第1~2章讲解课程：Datawhale吃瓜教程（【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_哔哩哔哩_bilibili）目录第1章绪论1.1-1.2基本概念

cookie222·2021-08-17 22:46

datawhale-task05

目录作业1.什么是Bootstraps2.bootstraps和bagging的联系3.什么是bagging4.随机森林和bagging的联系和区别5.使用偏差和方差阐释为什么bagging能提升模型的预测精度6.使用Bagging和基本分类模型或者回归模型做对比，观察bagging是否相对于基础模型的精度有所提高7.你会使用python+numpy+sklearn的基础模型来实现bagging吗

代码小白QAQ·2021-07-21 21:42

李宏毅机器学习part5-8

本篇文章主要基于以下资料：开源文档：https://datawhalechina.github.io/leeml-notes视频地址：https://www.bilibili.com/video/BV1Ht411g7Ef

0b9a4786fbaf·2021-07-16 23:43

Datawhale开源教程学习——集成学习（task2机器学习基础模型）

目录Task02机器学习基础模型一、导论使用sklearn构建完整的机器学习项目流程二、作业Q1：详细阐述线性回归模型的最小二乘法表达。Q2：在线性回归模型中，极大似然估计与最小二乘估计有什么联系与区别。Q3：为什么多项式回归在在实际问题中的表现不是很好？Q4：决策树模型与线性模型之间的区别和联系？Q7：找一个数据集，使用线性回归模型拟合数据，要求不使用sklearn，只使用python和nump

InveR1el·2021-07-16 00:58

李宏毅机器学习视频part3-4

p=4开源文档：https://datawhalechina.github.io/leeml-notes一、在确定自变量和损失函数后，回归问题的本质就变成了参数优

0b9a4786fbaf·2021-07-14 22:04

Datawhale集成学习学习笔记——机器学习基础

机器学习基础机器学习的三大主要任务使用sklearn构建完整的机器学习项目流程基本的回归模型基本的分类模型偏差与方差理论超参数调优机器学习的三大主要任务机器学习的一个重要的目标就是利用数学模型来理解数据，发现数据中的规律，用作数据的分析和预测。数据通常由一组向量组成，这组向量中的每个向量都是一个样本，我们用xix_ixi来表示一个样本，其中i=1,2,3,...,Ni=1,2,3,...,Ni=1

zhangkaihua88·2021-07-13 18:07

Task07 图预测任务实践

参考链接：https://github.com/datawhalechina/team-learning-nlp/blob/master/GNN第一部分超大规模数据集类的创建当数据集规模超级大时，很难有足够大的内存完全存下所有数据

沫2021·2021-07-08 09:58

Task06 基于图神经网络的图表示学习

参考链接：https://github.com/datawhalechina/team-learning-nlp/blob/master/GNN/Markdown%E7%89%88%E6%9C%AC/8

沫2021·2021-07-04 22:37

Task04 数据完全存于内存的数据集类+节点预测与边预测任务实践

参考链接：https://github.com/datawhalechina/team-learning-nlp/blob/master/GNN/Markdown%E7%89%88%E6%9C%AC/6

沫2021·2021-06-27 21:24

GNN学习第9天

首先感谢datawhale的GNN课程，非常精彩。

def1037aab9e·2021-06-27 18:50

Datawhale开源教程学习——Linux（day5Linux磁盘管理）

Day05Linux磁盘管理一、磁盘二、磁盘管理2.1添加硬盘2.2磁盘管理机制2.3分区2.3.1分区概念2.3.2分区常用命令2.4格式化2.4.1格式化常用命令2.5挂载后记Linux学习往期地址：Datawhale

InveR1el·2021-06-26 23:44

DataWhale 推荐系统实战_新闻推荐 Task1 赛题理解

二龙山高哥·2021-06-26 03:15

Task03 基于图神经网络的节点表征学习

参考链接：https://github.com/datawhalechina/team-learning-nlp/blob/master/GNN/Markdown%E7%89%88%E6%9C%AC/5

沫2021·2021-06-23 20:01

Datawhale 零基础入门数据挖掘-Task1 、Task2

task1：https://tianchi.aliyun.com/notebook-ai/detailspm=5176.12586969.1002.15.1cd8593ajJvr33&postId=95456其中的一个小知识点：二类分类问题中的精确率(precision)与召回率(recall)通常，以关注的类为正类，其他类为反类，分类器在测试数据集上的预测或正确或不正确，4种情况出现的总数分别记

YAN_DUDU·2021-06-23 10:02

Task03：基于图神经网络的节点表征学习

一上来依旧是放Datawhale提供的课程链接：https://github.com/datawhalechina/team-learning-nlp/blob/master/GNN（打call打call

从你美丽的流域·2021-06-22 21:00

Datawhale计算机视觉基础-图像处理（下）-Task02 LBP特征描述算子-人脸检测

首先对几个概念和问题做一个解释：.图像为什么要灰度化？1）识别物体，最关键的因素是梯度（SIFT/HOG）,梯度意味着边缘，这是最本质的部分，而计算梯度，自然就用到灰度图像了，可以把灰度理解为图像的强度。2）颜色，易受光照影响，难以提供关键信息，故将图像进行灰度化，同时也可以加快特征提取的速度。.仿射不变性平面上任意两条线，经过仿射变换后，仍保持原来的状态（比如平行的线还是平行，相交的线夹角不变等

蔓藤树下的甜蜜·2021-06-21 18:09

Datawhale 零基础入门CV赛事-Task1 赛题理解

本章内容将会对街景字符识别赛题进行赛题背景讲解，对赛题数据的读取进行说明，并给出集中解题思路。1赛题理解赛题名称：零基础入门CV之街道字符识别赛题目标：通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。为了简化赛题难度，赛题数据采用公开数据集SVHN，因此

咕咕咕咕咯咯·2021-06-21 12:08

利用python进行数据加载

前言最近参加了datawhale的组队学习活动，在组队学习动员下，开始通过强迫自己输出来实现更好的输入与处理，6-15开始自己的第一次文章发布，我会把自己这个真的很小白遇到的问题写出来，希望能给屏幕前小白的你带来帮助

·2021-06-20 12:47

零基础入门数据挖掘-Task2 数据分析

一直自学的东西挺多的，但是没有总结和写成学习笔记，所以，总是学着学着就忘了，近期参加了一个开源的AI社区组织Datawhale和天池竞赛的一个入门数据挖掘的一个比赛，有代码，有直播，应组织方要求，当然也觉得很有必要

上善若水弱水三千·2021-06-20 06:00

Datawhale 计算机视觉基础-图像处理（下）- Task01 Harris特征点检测器-兴趣点检测

项目地址：https://github.com/datawhalechina/team-learning/blob/master/03%20%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%

黑乎乎AI·2021-06-19 03:49

Datawhale组对学习Django_Task1

Task1shift+?全部#注释shift+alt选中替换format新用法：print（f"{k}:{v}"）等价于print（“{}:{}.format((k,v)”）学习到1分12秒明天继续补一下

·2021-06-18 22:47

94页论文综述卷积神经网络：从基础技术到研究前景

编译：机器之心、Datawhale文末附下载论文方法卷积神经网络（CNN）在计算机视觉领域已经取得了前所未有的巨大成功，但我们目前对其效果显著的原因还没有全面的理解。

视学算法·2021-06-15 16:59

Linux-Task01：Linux简介

本学习笔记为Datewhale-6月组队学习-Linux教程的学习内容，学习链接为：https://github.com/datawhalechina/team-learning-program/tree

weison·2021-06-14 13:55

六月组队学习！

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale学习开源贡献：Datawhale团队这是本月份的组队学习，这次学习于6月12日通过社群报名，内容如下：(1)动手学数据分析

Datawhale·2021-06-09 22:00

推荐频道

dataWhale