Introduction of Machine Learning
本文目录：AI ML DL的关系基于规则的人工智能机器学习机器学习的框架(Framework)学习地图(Learning map)supervised learningsemi-supervised learningtransfer learningunsupervised learningreinforcement le
最近刚开始学习机器学习，看的是台湾大学李宏毅老师的视频课程Machine Learning 2019，李宏毅老师课程共有8个作业，在网上大约可以搜到前三个作业的解答，分别是PM2.5预测，人薪酬的二分类和表情分类，我在做这三次作业中主要参考了秋沐霖的三篇博客，链接如下： 作业1：线性回归预测PM2.5----台大李宏毅机器学习作业1(HW1) 作业2：Logistic回归预测收入----台大李宏毅
# 如何实现“李宏毅 深度学习 2022 笔记”
在深度学习的学习过程中，整理和记录笔记是理解和回顾内容的重要方式。本文将帮助你实现“李宏毅 深度学习 2022 笔记”的过程，适用于刚入行的小白。我们会通过表格展示每个步骤，并详细说明每一步中需要做什么。
## 整体流程
下面是实现“李宏毅 深度学习 2022 笔记”的流程步骤：
```markdown
| 步骤 | 描述
原创
2024-09-14 03:16:30
65阅读
一、概念含义人工智能（Artificial Intelligence）＞机器学习（Machine Learning）＞深度学习（Deep Learning），三者之间的关系为：机器学习是实现人工智能的方法，深度学习是实现机器学习算法的技术。人工智能是研究、开发用于模拟、延伸和扩展人的的理论、方法、技术及应用系统的一门新的技术科学。机器学习本质上就是让计算机自己在数据中学习规律，并根据所得到的规律对
李宏毅2020 ML/DL补充Structured Learning Structured SVM【李宏毅2020 ML/DL】补充：Structured Learning: Structured SVM我已经有两年 ML 经历，这系列课主要用来查缺补漏，会记录一些细节的、自己不知道的东西。本次笔记补充视频 BV1JE411g7XF 的缺失部分。在另一个UP主上传的2017课程BV13x411v7
文章目录介绍How to sum over all the alignmentsTraining第一项第二项Testing (Inference, decoding)小结参考资料 介绍 公式输入请参考：在线Latex公式 上节提到解决alignments有四个问题： 如何穷举所有的alignments：1. Enumerate all the possible alignments 如何累加所有
# 实现“李宏毅深度学习笔记增强式学习”指南
在现代深度学习中，“增强式学习”是一个重要的概念。为帮助刚入行的小白理解和实现“李宏毅深度学习笔记增强式学习”，以下是整个流程的步骤展示，并附上详细的代码和注释。
## 整体流程
| 步骤 | 描述 |
|------------|----------------
原创
2024-10-15 04:11:55
55阅读
RNN的关键点：具有记忆性，按照时间节点 不同的输入训练按照时间进行，并参照上一次的训练结果 有不同的RNN结构Elman 结构 将hidden的结果存储并用于下一次计算Jordan 结构 将最终的输出存储并用于下一次计算双向网络LSTM（long short-term memory) 具体运算如下：假设输入时z，其他的操控的输入分布式zi,zo,zf 当采用sigmoid 函数时，根据其输出的0
转载
2024-03-06 09:20:59
156阅读
文章目录一、前言二、Classification as Regression三、Class as One-Hot Vector四、Soft-Max 归一化五、Loss of Classification 一、前言本节用较短的篇幅介绍一下深度学习解决如何分类问题。如果想看长的版本，可以参考下面的视频。二、Classification as Regression把分类当作回归来看如下图所示，我们可以
转载
2023-12-04 05:04:49
78阅读
课程链接：http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML20.html 要做这个作业的话需要一定的高数、线代的基础，而且尽量要会使用python的numpy模块。这篇文章大体还是按着baseline走的。必要的前提条件1.记得要把numpy、pandas、csv模块给安装好（网上有很多教程,找适用于你的开发环境的就好）。 2.学习一下numpy的使用：
转载
2024-06-17 16:04:34
151阅读
## 李宏毅深度学习系列之归一化(Normalization)
在深度学习中，归一化是一个非常重要的技术，它可以提高模型的训练速度和性能。李宏毅老师在深度学习系列教程中详细介绍了归一化的原理和实现方法。
### 什么是归一化？
归一化，也称为标准化，是指将数据转换为特定范围内的数值，以便更好地进行数据分析和处理。在深度学习中，归一化是指将输入数据的分布调整为均值为0，方差为1的标准正态分布。
原创
2023-12-04 04:38:49
196阅读
文章目录4 Classification4.1 function set简单了解一下概率模型高斯分布怎么计算高斯分布的参数？——最大似然估计4.2 后验概率的计算推导 4 Classification首先分类问题还是属于机器学习模型，只不过输出不是连续的值，而是分类结果。我们用的同样是三步：选择function set→计算误差→选择模型。 假定有两类，我们要使用Regression的方法计算输
转载
2023-12-31 13:41:52
170阅读
李宏毅上传了2020版本的机器学习视频和吴恩达的CS229机器学习相比，中文版本的机器学习显得亲民了许多，李宏毅的机器学习是英文的ppt+中文讲解，非常有利于大家入门。吴恩达的CS229中偏向于传统机器学习（线性回归、逻辑回归、Naive Bayes、决策树、支持向量机等），李宏毅2020版本的机器学习中除了最前面的回归、分类，后面更多篇幅涉及卷积神经网络（CNN）、循环神经网络（RNN）、强化学
转载
2024-01-04 10:11:17
103阅读
李宏毅老师的机器学习课程和吴恩达老师的机器学习课程都是都是ML和DL非常好的入门资料，在YouTube、网易云课堂、B站都能观看到相应的课程视频，接下来这一系列的博客我都将记录老师上课的笔记以及自己对这些知识内容的理解与补充。(本笔记配合李宏毅老师的视频一起使用效果更佳！）ML Lecture 4:Classification：Probabilistic Generative Model在这堂课中
转载
2023-12-13 21:14:42
70阅读
目录李宏毅机器学习第五周—sequence to sequence应用Syntactic Parsing（语法分析）Multi-label Classification（多标签分类）Object Detection（目标检测）Seq2Seq结构1.encoder为什么在Self-attention和Fully Connected Layer之后都有一个“Add & Norm”单元？2.de
转载
2024-01-12 19:07:55
129阅读
李宏毅机器学习笔记1.机器学习简介1.1 机器学习项目流程1.1.1 找到未知函数1.1.2 定义训练损失函数1.1.3 优化2.机器学习攻略指南（实现一个好的模型）2.1 训练集loss过大or过小2.1.1 如果train loss过大，如何判断是model bias还是optimize issue2.1.2 model b
原创
2022-06-23 17:44:39
265阅读
Lecture 6: Brief Introduction of Deep Learning 本节课主要围绕Deep Learing三步骤：（1）function set（2）goodness of function（3）pick the best function 1.function setNeuron之间采用不同的连接方式，就会得到不同的
转载
2024-01-16 15:05:48
228阅读
导语meta-learningmeta-learning的步骤什么叫一组learning algorithm如何评价一个F的好坏meta learning vs machine learning怎么找最好的learning algorithmbenchmarkomniglot如何使用当前的方法MAML算法例子toy examleomniglot& mini-imageNet实际实现在翻译
转载
2024-05-11 20:18:36
118阅读
## 李宏毅深度学习笔记-半监督学习
半监督学习是一种机器学习方法，它利用带有标签的数据和未标签的数据来进行训练。相比于监督学习，半监督学习能够更好地利用未标签的数据，提高模型的性能和泛化能力。李宏毅教授在他的深度学习笔记中详细介绍了半监督学习的概念和方法。
在半监督学习中，我们通常的做法是使用一个有标签的数据集和一个未标签的数据集。有标签的数据集包含了一些样本和它们的标签，而未标签的数据集只
原创
2023-09-08 13:27:35
48阅读
推导LR损失函数(1)假定： LR逻辑回归假设样本服从泊松0–1分布，因此p(y|x)表达式： 求最大似然估计： 进而求最大对数似然估计：损失函数： 损失函数表征预测值与真实值之间的差异程度，如果预测值与真实值越接近则损失函数应该越小。在此损失函数可以取为最大似然估计函数的相反数，其次除以m这一因子并不改变最终求导极值结果，通过除以m可以得到平均损失值，避免样本数量对于损失值的影响。学习LR梯
转载
2023-08-30 18:51:55
121阅读
