【笔记】Datawhale 李宏毅苹果书 AI夏令营 windbd 7 人赞同了该文章 目录 收起 局部极小值与鞍点——优化的陷阱 批量和动量——优化的方向 自适应学习率——优化的大小 从回归到分类 批量归一化 卷积神经网络 局部极小值与鞍点——优化的陷阱 临界点:在优化过程中,损失函数的梯度为零的点;可能是局部最小值、
1.2024 Datawhale X 李宏毅苹果书 AI 夏令营第5期——跟李宏毅学深度学习(入门)08-26 收起 本方向学习目标 本方向的核心学习目标是——通过《深度学习详解》和 李宏毅老师 21年的机器学习课程视频,入门机器学习,并尝试学习深度学习,展开代码实践(选修)。 相关学习链接👇 《机器学习》(2021年春) 《机器学习》(...
2024 Datawhale X 李宏毅苹果书 AI 夏令营第5期——跟李宏毅学深度学习(入门) 摘要: 《深度学习详解》主要内容源于《机器学习》(2021年春),选取了《机器学习》(2017年春) 的部分内容,在这些基础上进行了一定的原创,补充了不少除这门公开课之外的深度学习相关知识。为了尽可能地降低阅读门槛,笔者对这门公开课的精...
这与计量经济学中强调理论驱动的变量选择有所不同,但两者都致力于找到最佳解释变量。 语义信息捕获:书中提到词嵌入能更好地捕捉词汇间的语义关系,这对于理解文本至关重要。这一点与计量经济学中的变量间关系分析类似,但在深度学习中,这种关系是由模型自主学习而不是通过预先定义的假设来确定的。 多头注意力:多头注...
本期夏令营学习目标是——通过《深度学习详解》和李宏毅老师 21年的机器学习课程视频,入门机器学习,并尝试学习深度学习,展开代码实践。 《深度学习详解》主要内容源于《机器学习》(2021年春),选取了《机器学习》(2017年春)的部分内容,在这些基础上进行了一定的原创,补充了不少除这门公开课之外的深度学习相关知识。
一、机器学习 1、前置知识 机器学习:机器学习就是让机器具备找一个函数的能力。机器具备找函数的能力以后,它可以做很多事。比如语音识别,机器听一段声音,产生这段声音对应的文字。我们需要的是一个函数,该函数的输入是声音信号,输出是这段声音信号的内容。 回归:假设
在李宏毅苹果书AI夏令营中,我们深入探讨了实践方法论的几个关键点。以下是一些重要的实践技巧和解决方案: 模型偏差: 当模型过于简单时,可能会导致性能不佳。为了解决这个问题,我们可以重新设计模型,增加输入特征或利用深度学习来提高其灵活性。 优化问题:
李宏毅苹果书AI夏令营:鞍点与极值探索 今天在李宏毅苹果书的AI夏令营中,我们深入探讨了局部极小值和鞍点的问题。虽然学习内容看似有限,但核心知识点却相当丰富。我们回顾了高数中求极大值和极小值的方法,了解到当一个函数的导数为零时,这个点不一定是极值点,因为它可能是拐点。为了确定这一点,我们需要求二阶导数。
深度学习详解(异步图书出品)李宏毅苹果书 王琦 等著 /机器学习公式详解第2版 《机器学习》伴侣书 南瓜书/Easy RL 强化学习教程 蘑菇书/ChatGPT原理与应用开发 蝴蝶书 正版 新书 深 京东价 ￥ 降价通知 累计评价 0 促销 展开促销 配送至 --请选择-- 支持 ...
线性模型(linear model):把输入特征x乘上一个权重w,再加上一个偏置b,就得到预测结果的模型。模型形如y=wx+b 分段线性曲线 如下图所示,线性模型过于简单,当输入特征x和输出结果y之间存在比较复杂的关系(下图红色的线所示)时,不管如何调整w和b,线性模型(下图蓝色的线)都无法有效模拟。