机器学习

《机器学习》——PCA降维对鸢尾花数据进行降维处理：共66条数据。

PyTorch使用教程(1)—PyTorch简介PyTorch是一个开源的深度学习框架，由Facebook人工智能研究院（FAIR）于2016年开发并发布，其主要特点包括自动微分功能和动态计算图的支持，使得模型建立更加灵活‌。官网网址：https://pytorch.org。以下是关于PyTorch的基本介绍，熟悉的小伙伴可以不用看了，这里只是为了专栏的完整性，重复地写了一些介绍。

墨绿色的摆渡人

用 Python 从零开始创建神经网络（二十二）：预测（Prediction）/推理（Inference）（完结）虽然我们经常将大部分时间花在训练和测试模型上，但我们这样做的核心原因是希望有一个能够接受新输入并生成期望输出的模型。这通常需要多次尝试训练最优模型，保存该模型，并加载已保存的模型进行推断或预测。

冯·诺依曼体系结构：计算机科学的奠基石冯·诺依曼体系结构是现代计算机科学的基石之一，深刻影响了我们今天所使用的计算机硬件和软件的设计。自20世纪40年代冯·诺依曼提出这一理论以来，它成为了大多数计算机架构的核心理念。通过对冯·诺依曼体系结构的深入探讨，我们可以了解计算机的工作原理以及如何通过硬件和软件的协同作用提升计算效率和性能。本文将从冯·诺依曼体系结构的基本概念入手，详细阐述其核心组成部分及其对计算机技术发展的深远影响。

Scikit-Learn快速入门从建模功能上进行区分，sklearn将所有的评估器和函数功能分为六大类，分别是分类模型（Classification）、回归模型（Regression）、聚类模型（Clustering）、降维方法（Dimensionality reduction）、模型选择（Model selection）和数据预处理六大类。其中分类模型、回归模型和聚类模型是机器学习内主流的三大类模型，分类和回归模型是有监督学习、聚类模型属于无监督学习范畴。降维方法、模型选择方法和数据预处理方法，则多为辅助建模的相关方法。这六个功

统计学习方法(第二版) 第七章支持向量机(第二节)本节介绍线性可分支持向量机与软间隔最大化。回顾：统计学习方法（第二版）第七章拉格朗日对偶性-CSDN博客

统计学习方法(第二版) 第七章支持向量机 (第四节)本章主要介绍支持向量机的优化算法。（了解即可，推导有点难）

【机器学习：二十、拆分原始训练集】在机器学习任务中，模型性能的提升通常受限于训练数据、模型架构、优化方法及超参数设置等。模型改进的目标是在测试数据上表现更优，避免过拟合或欠拟合。

【机器学习：二十三、迁移学习】迁移学习（Transfer Learning）是机器学习中的一种方法，它通过将一个领域中学到的知识（通常称为源领域）应用到另一个相关领域（目标领域）来完成任务。传统机器学习模型通常从零开始训练，依赖大量标注数据。而迁移学习则不同，它通过迁移已有的知识，不仅降低了对目标领域标注数据的需求，还能够提升模型的学习效率和精度。

机器学习实战33-LSTM+随机森林模型在股票价格走势预测与买卖点分类中的应用大家好，我是微学AI，今天给大家介绍一下机器学习实战33-LSTM+随机森林模型在股票价格走势预测与买卖点分类中的应用。对于LSTM+随机森林模型的融合应用，我们选择股票价格走势预测与买卖点分类作为应用场景。股票市场数据丰富且对投资者具有实际价值，同时该场景包含了时间序列预测（预测未来股票价格）和分类（判断股票涨跌）两个子任务，可以充分展示LSTM（长短期记忆网络）在时间序列预测方面的优势以及随机森林在分类任务中的强大性能。

【机器学习】鲁棒（健壮）回归-Theil-Sen估计（Theil-Sen Estimator）Theil-Sen估计是一种用于线性回归的非参数方法，其优点是对离群点具有鲁棒性。它通过计算数据点之间所有可能斜率的中位数来估计回归线的斜率，随后使用这些斜率估算截距。

【机器学习】鲁棒（健壮）回归-Huber损失（Huber Loss）Huber损失是一种对异常值（outliers）具有鲁棒性的损失函数，它在处理回归问题时常用，结合了均方误差（MSE）的平滑性和平均绝对误差（MAE）的鲁棒性。

人工智能：所有144本SCI期刊都在这里（20本Top，4本On Hold）SCI&EI• 4区“水刊”，纯正刊（来稿即录）• CCF-B类，IEEE一区-Top（3天初审）EI

机器学习中的凸函数和梯度下降法在机器学习中，凸函数和凸优化是优化问题中的重要概念，许多机器学习算法的目标是优化一个凸函数。这些概念的核心思想围绕着优化问题的简化和求解效率。下面从简单直观的角度来解释。

【机器学习：二十二、机器学习项目开发的技巧】机器学习项目的开发不仅仅依赖于算法的选择和模型的调优，还需要良好的项目管理技巧和方法论。以下是机器学习项目开发中的关键技巧：

文档智能：OCR+Rocketqa+layoutxlm ＜Rocketqa＞此次梳理Rocketqa，个人认为该篇文件讲述的是段落搜索的改进点，关于其框架：粗检索 + 重排序----（dual-encoder architecture），讲诉不多，那是另外的文章；

LightGCN：为推荐系统简化图卷积网络的创新之作在信息爆炸的互联网时代，个性化推荐系统成为缓解信息过载的关键工具。协同过滤（CF）作为推荐系统的核心技术之一，致力于挖掘用户与物品之间的潜在关联，以实现精准推荐。近年来，图卷积网络（GCN）凭借其强大的图结构建模能力，被引入推荐领域，展现出卓越的性能。然而，现有基于GCN的推荐模型大多直接沿用其在图分类任务中的复杂设计，如特征变换和非线性激活等操作，这些操作在用户-物品交互图中并未带来实质性益处，反而增加了模型训练难度，影响推荐效果。

基于YOLOv8的卫星图像中船只检测系统基于YOLOv8的卫星图像中船只检测系统 (价格90)使用的是 MASATI-V2 数据集训练集 3617张验证集 452张测试集 453张

明明真系叻

2025.1.12机器学习笔记：GAN文献阅读本周阅读了GAN的奠基论文，目的是对GAN进行更加深入的理解，为后续要研究TimeGAN时序数据的增强做理论知识的准备。文章的背景是深度学习在判别模型方面取得了显著成功，但深度生成模型的表现在当时的表现还是很一般，这是因为在直接构造分布函数的时候，计算最大似然值的过程往往是非常困难的。为了避免复杂的计算过程，作者提出了一种新的生成对抗模型框架，即通过生成器（Generator）和辨别器（Discriminator）不断的博弈从而使得生成器能够生成高质量的数据。在博弈过程中，生成模型试图生成难以被判别模型区

Next.js + Mediapipe 手势识别画板：前端玩转机器学习Link: cygra.github.io/hand-gestur…Github: github.com/Cygra/hand-…