Category: AI模型

经典CNN模型-DenseNet的内存高效实现

摘要: 2018 年左右 DenseNet 内存高效实现的笔记 【对数据分析、人工智能、金融科技、风控服务感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:潮汐朝夕我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 技术报告: DenseNet 的内存高效实现在文章经典CNN模型-De

多模态实战学习路线

摘要: 多模态学习路线 【对数据分析、人工智能、金融科技、风控服务感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:潮汐朝夕我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 理论基础 多模态预训练 双塔模型原理 CLIP ALIGN 单塔模型原理 VILT 单塔双塔的特点和优

sklaern操作集锦

摘要: 本文整理 sklearn 中常见的操作。 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 评价指标计算在已有 y_true 和 y_pred 之后,各个指标的计算方式如下,其中 y_true

卷积算术笔记

摘要: 本文是《A guide to convolution arithmetic for deep learning》这篇文章的笔记。 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 本文我们通过一

HanLP-Java运行例子

摘要: 本文介绍 HanLP 的 Java 接口的使用方式,手动配置 data 目录和 hanlp.properties,使用 Maven 和 java 命令行两种方式引入 hanlp 的 jar 包。 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的l

HanLP入门

摘要: 本文介绍 HanLP 这个 NLP 框架,包括 1.x 和 2.x,Java 和 Python 接口,RESTful API 和 Native API。 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplin

频率派和贝叶斯派

摘要: 频率派和贝叶斯派的区别和联系。 【对数据分析、人工智能、金融科技、风控服务感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:潮汐朝夕我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 在机器学习中,我们把概率引入进来是比较自然的事情,本文我们探讨一下频率派和贝叶斯派的区别和联系

机器学习资料汇总

摘要: 机器学习的一些经典资料 【对数据分析、人工智能、金融科技、风控服务感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:潮汐朝夕我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 资料的侧重点 频率派: 统计机器学习 贝叶斯派: 概率图模型 书小蓝书微信读书 侧重点是频率派的统

机器学习白板推导系列

作者及项目信息B 站空间github 仓库 参考笔记: github: MachineLearningNotes 视频汇总 序号 内容 笔记 1 开篇 机器学习资料汇总;频率派与贝叶斯派 2 数学基础 - 3 线性回归 - 4 线性分类 - 5 降维 - 6 SVM - 7 核方法 - 8 指数族分布 - 9 概率图模型基础 - 10 EM算法 -

OpenCV操作集锦

摘要: 本文整理 OpenCV 中常见的操作和小功能,持续更新 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings bytes 与 cv2 互相转换bytes 转 cv2。 12img_buffer_np

几份机器学习入门材料的知识点索引

摘要: CS229、小蓝书、西瓜书三份学习资料 【对数据分析、人工智能、金融科技、风控服务感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:潮汐朝夕我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings CS229线性回归 平方损失 + 最小二乘 梯度下降 更新方式: 批梯度下降 vs.

机器学习的错误分析

Carry out error analysis Cleaning up incorrectly labeled data Build your first system quick and then iterate Training and testing on different distribution Bias and Variance with mismatched data dist

构建机器学习项目的一些经验

摘要: 构建机器学习项目的一些经验 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings Andrew Ng 《构建机器学习项目》手写笔记。共 8 页。 1 Why ML Strategy 得到初版模型

通过含参数函数实现策略-策略梯度

摘要: 策略梯度:通过含参数函数实现策略 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 在文章 在Q学习中应用含参数函数实现价值近似 中,我们学习了如何在 Q 学习中应用含参数函数实现价值近似。具体

将深度学习用于价值近似-DQN

摘要: DQN 初探 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 在文章 在Q学习中应用含参数函数实现价值近似 中,我们学习了如何在 Q 学习中应用含参数函数实现价值近似。具体地,我们根据 使用神

在Q学习中应用含参数函数实现价值近似

摘要: 在 Q 学习中应用含参数函数实现价值近似 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 前面我们系统学习了强化学习的各种基础算法,总结可以参考文章 强化学习方法的分类总结。 其中 Q 学习、

极简神经网络-深度强化学习预备知识

摘要: 极简神经网络知识 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 本文我们极简地过一下神经网络的必要知识。虽然是深度学习的内容,但是本文主要是为【使用神经网络实现强化学习的框架】铺垫必要的神经

使用神经网络实现强化学习的框架

摘要: 用神经网络实现强化学习的框架 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 写在前面在文章 强化学习方法的分类总结 中,我们总结了强化学习的各种学习方式,其中我们详细研究了 Q 学习、蒙特

强化学习方法的分类总结

摘要: 无模型方法总结,神经网络的引入 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 各种主流的无模型方法之前我们系统学习了通过自己行动获得经验来指定行动计划的无模型方法。 在利用经验时,需要注意以

组合使用基于价值和基于策略 -- Actor Critic 学习模式

摘要: Actor Critic 学习模式 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 在文章 强化学习环境框架-从一个迷宫环境看MDP的要点 中,我们总结了强化学习的基本概念,以及作为强化学习机

经验用于更新价值还是更新策略 -- Q学习与SARSA

摘要: Q 学习与 SARSA 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 在文章 强化学习环境框架-从一个迷宫环境看MDP的要点 中,我们总结了强化学习的基本概念,以及作为强化学习机制的 MDP

时序差分与蒙特卡洛方法, Q学习

摘要: 蒙特卡洛方法与时序差分 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 在文章 强化学习环境框架-从一个迷宫环境看MDP的要点 中,我们总结了强化学习的基本概念,以及作为强化学习机制的 MDP

经验的积累与利用-Epsilon贪心

摘要: Epsilon贪心 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 在文章 强化学习环境框架-从一个迷宫环境看MDP的要点 中,我们总结了强化学习的基本概念,以及作为强化学习机制的 MDP,并

MDP的动态规划解法-策略迭代和价值迭代

摘要: MDP 假设下的动态规划 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 在文章 强化学习环境框架-从一个迷宫环境看MDP的要点 中,我们总结了强化学习的基本概念,以及作为强化学习机制的 MD

价值的定义与计算-贝尔曼方程

摘要: 贝尔曼方程初探 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 在文章 强化学习环境框架-从一个迷宫环境看MDP的要点 中,我们总结了强化学习的基本概念,以及作为强化学习机制的 MDP,并且以

强化学习环境框架-从一个迷宫环境看MDP的要点

摘要: 强化学习环境的框架,MDP 的要点 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 在此前我们已经用 OpenAI Gym 进行过一些强化学习的实践。例如在文章中 OpenAI-Gym入门 中

人工智能一本书

摘要: 一本不错的《人工智能》书 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 搜索、知识、推理、规划、不确定性、学习、感知、行动 本文介绍人工智能的一本书,一般是计算机系大三的专业课。 作为计

自然语言处理入门

摘要: 《自然语言处理入门》这本书 【对数据分析、人工智能、金融科技、风控服务感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:潮汐朝夕我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings HanLP 作者何晗汇集多年经验,从基本概念出发,逐步介绍中文分词、词性标注、命名实体识别、信息

Python贝叶斯模型与计算

摘要: 《Python贝叶斯模型与计算》 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 这是一本贝叶斯计算的书,2021 年的。贝叶斯方法-概率编程与贝叶斯推断 是一本类似的 2017 年的书。 线

预测:方法与实践

摘要: 《预测:方法与实践》 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 本书是《预测: 方法与实践》,2018年4月的第二版,主要变化如下: 最大的变化是更加聚焦时间序列预测。也就是说,我们不

金融时间序列经典书

摘要: 《金融时间序列分析》 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings Analysis_of_Financial_Time_Series_3rd 金融时间

时间序列分析经典书

摘要: 《时间序列分析与应用》 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 时间:2011(中文版) 作者:Jonathan D.Cryer 代码:R 语言安装 TSA 包

数据分析之图算法:基于Spark和Neo4j

摘要: 《Graph Algorithms Practical Examples in Apache Spark and Neo4j》 【对数据分析、人工智能、金融科技、风控服务感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:潮汐朝夕我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings

无监督学习总览

摘要: 《基于Python的无监督学习》 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 最近的一本新书《基于Python的无监督学习》,还不错,主要内容如思维导图所示:

经典CNN模型-DenseNet手写笔记

摘要: 2018 年左右 DenseNet 学习笔记 【对数据分析、人工智能、金融科技、风控服务感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:潮汐朝夕我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings DenseNet 相比 ResNet 可能影响力小一点,但也是计算机视觉中很重要

图片分类模型调参技巧

摘要: 2018 年左右,图片分类模型调参技巧论文学习笔记 【对数据分析、人工智能、金融科技、风控服务感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:潮汐朝夕我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings Bag of Tricks 论文这是一篇 2018 年的论文,介绍了当年图

经典CNN模型-ResNet手写笔记

摘要: 2018 年左右 ResNet 学习笔记 【对数据分析、人工智能、金融科技、风控服务感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:潮汐朝夕我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings ResNet 是计算机视觉中非常重要的一个 CNN 模型,2015 年被提出,后来陆

PyMC3入门

摘要: PyMC3 入门知识,主要参考官网。 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings PyMC3 是一个做贝叶斯分析使用的 Python 库,运行速度快。本文我来学习以下这个框架的基本用法。

xgboost操作集锦

模型持久化1. pickle1pickle.dump(clf, open(save_path, "wb")) 1clf = pickle.load(open(model_path, "rb")) 2. joblib1joblib.dump(clf, save_path) 1self.clf = joblib.load(model_path)

贝叶斯方法-概率编程与贝叶斯推断

摘要: 一本概率模型的书《贝叶斯方法-概率编程与贝叶斯推断》 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 书名:贝叶斯方法-概率编程与贝叶斯推断 豆瓣链接 时间:2017 数据和代码:https

马尔科夫决策过程

摘要: 马尔科夫决策过程入门 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 在文章 OpenAI-Gym入门 中,我们以 CartPole-v1 环境为例学习了 OpenAI Gym 的基本用法。在

OpenAI-Gym-自定义环境的要点

摘要: OpenAI gym 中自定义环境入门 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 在文章 OpenAI-Gym入门 中,我们以 CartPole-v1 环境为例学习了 OpenAI Gy

OpenAI-Gym-render画基本形状

摘要: OpenAI gym 中 用 Render 画基本形状 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 在文章 OpenAI-Gym入门 中,我们以 CartPole-v1 环境为例学习了 O

OpenAI-Gym神经网络策略及其训练(策略梯度)

摘要: OpenAI gym 策略梯度入门 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 在文章 OpenAI-Gym入门 中,我们用 CartPole-v1 环境学习了 OpenAI Gym 的基

OpenAI-Gym入门

摘要: OpenAI gym 入门 【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】我的网站:潮汐朝夕的生活实验室我的公众号:算法题刷刷我的知乎:潮汐朝夕我的github:FennelDumplings我的leetcode:FennelDumplings 强化学习的挑战之一是训练智能体,这首先需要一个工作环境。 OpenAI Gym 是一个工具包,提供了广泛的模拟环境。

DNN训练-4.正则化

以下内容整理自: 《Hands-on Machine Learning》 第十一章 训练 DNN 面临以下的几个问题 vanishing gradients exploding gradients 标注成本高 训练慢 过拟合 在文章 DNN训练-1.梯度消失和梯度爆炸 中,我们总结了应对梯度消失和梯度爆炸的问题的办法;在文章 DNN训练-2.重用预训练层 中,我们总结了应对标注成本高的问题的

DNN训练-3.更快的优化器

以下内容整理自: 《Hands-on Machine Learning》 第十一章 训练 DNN 面临以下的几个问题 vanishing gradients exploding gradients 标注成本高 训练慢 过拟合 在文章 DNN训练-1.梯度消失和梯度爆炸 中,我们总结了应对梯度消失和梯度爆炸的问题的办法;在文章 DNN训练-2.重用预训练层 中,我们总结了应对标注成本高的问题的

DNN训练-2.重用预训练层

以下内容整理自: 《Hands-on Machine Learning》 第十一章 训练 DNN 面临以下的几个问题 vanishing gradients exploding gradients 标注成本高 训练慢 过拟合 在文章 DNN训练-1.梯度消失和梯度爆炸 中,我们总结了应对梯度消失和梯度爆炸的问题的办法。 本文主要梳理解决标注成本高这个问题的常见方法。主要有迁移学习,无监督预训

DNN训练-1.梯度消失和梯度爆炸

以下内容整理自: 《Hands-on Machine Learning》 第十一章 训练 DNN 面临以下的几个问题 vanishing gradients exploding gradients 标注成本高 训练慢 过拟合 本文主要梳理解决前两个问题的常见方法,即梯度消失和梯度爆炸。主要有改进初始化方式,改进激活函数,使用 BN,使用梯度剪裁这四种方法。 Vanishing/Explod

MLP Fine-Tuning with Keras

本文内容整理自 《Hands-on Machine Learning》 第十章第三节 Fine-Tuning MLP 的超参数1234567层数,层的神经元个数其它激活函数其它初始化方法学习率其它优化器batch_size... 一种简单办法是尝试各种超参数的组合,然后选择在验证集上效果最好的。可以用 sklearn 的 GridSearchCV 或者 RandomizedSearchCV 实现