task1专题
【Datawhale X 李宏毅苹果书 AI夏令营】Task1学习
优化神经网络： 为什么优化会失败，收敛在局部极限值与鞍点会导致优化失败。 对学习率进行调整，使用自适应学习率和学习率调度。 批量归一化可以改变误差表面。 3.1 局部极小值与鞍点 3.1.1 临界点及其种类 当参数对损失微分为零的时候，梯度下降不再更新参数，训练停下，损失不再下降。 梯度为零-->局部极小值（local minimum）-->深度学习时使用梯度下降会收敛在
Datawhale X 李宏毅苹果书 AI夏令营 Task1笔记
课程内容 学习笔记 （一）术语解释 一 . 机器学习（Machine Learning，ML） 机器学习，在本书的解释中是让机器具备找一个函数的能力。个人理解是基于所拥有的数据构建起概率统计模型来对数据进行预测与分析。输入的数据可以是图像、声音、文档等，函数则通过已知数据的特点所构建的模型，我觉得是一个可调节所的黑箱，最后输出 机器学习
【Datawhale X 李宏毅苹果书 AI夏令营】Task1笔记
第三章：深度学习基础 3.1 局部极小值与鞍点 临界点，即梯度为零的点，包含局部极小值（local minimum）和鞍点（saddle point）。 梯度下降算法在接近鞍点的时候会变得非常慢，阻碍了继续优化的进程。所以我们需要判断这个临界点是不是鞍点，以及如果是、应该怎么离开它。 判断鞍点 通过泰勒级数近似、海森矩阵等数学方法进行判断。 计算一阶偏导数，如果同时为零，则可能是极值
Datawhale X 李宏毅苹果书 AI夏令营 入门 Task1-机器学习
目录 机器学习基础案例分析-视频的点击次数预测机器学习流程相关公式 机器学习基础 机器学习：机器具备有学习的能力/让机器具备找一个函数的能力。比如语音识别、图像识别、 机器学习有不同的类别。 1）回归：假设要找的函数的输出是一个数值/标量，这种机器学习的任务称为回归。 2）分类：分类任务要让机器做选择题。人类先准备好一些选项，这些选项称为类别。 3）结构化学习：机器不只是要做
Datawhale X 李宏毅苹果书 AI夏令营 task1
3.1 局部极小值与鞍点 在深度学习的优化过程中，模型的损失函数可能会在某些点处停止下降，即使我们希望进一步降低损失。这一章节探讨了导致这一现象的原因，包括局部极小值、鞍点，以及其他临界点。理解这些概念能够帮助优化神经网络，避免陷入不理想的解。 局部极小值： 定义：局部极小值是指在某个点附近的所有点的损失函数值都大于或等于该点的损失函数值。换句话说，虽然这个点不是整个损失函数的全局最小值，
Datawhale 夏令营 Task1：跑通YOLO方案baseline！
YOLO数据处理 一.YOLO数据格式 YOLO数据格式为 <class> <x_center> <y_center> <width> <height> 二.制作数据集 1.新建文件夹及配置文件 if not os.path.exists('yolo-dataset/'):os.mkdir('yolo-dataset/')if not os.path.exists('yolo-data
【2024】Datawhale X 李宏毅苹果书 AI夏令营 Task1
本文是关于李宏毅苹果书“第1章 机器学习基础”学习内容的记录。 1、术语解释 术语解释机器学习（Machine Learning, ML）机器学习是一种人工智能（AI）技术，它使计算机能够从数据中学习并做出决策或预测，而无需明确编程。常见的机器学习任务包括分类、回归和聚类。深度学习（Deep Learning, DL）深度学习是机器学习的一个子领域，利用多层神经网络进行数据处理和分析。它在图像
Datawhale AI 夏令营 第五期 CV Task1
活动简介 活动链接：Datawhale AI 夏令营（第五期） 以及CV里面的本次任务说明：Task 1 从零上手CV竞赛 链接里的教程非常详细，很适合小白上手，从报名赛事到使用服务器平台再到跑模型，手把手教！ 具体细节我就不赘述了，参看教程即可，下面我主要就此次Task1任务学到了哪些内容作一个总结。 个人总结 基础知识 任务一呢，没有多少知识的讲解，主要是带我们走通baselin
Datawhale X 李宏毅苹果书 AI夏令营task1-3笔记
1.1 通过案例了解机器学习 机器学习基础 首先简单介绍一下机器学习（Machine Learning，ML）和深度学习（Deep Learning，DL）的基本概念。机器学习，顾名思义，机器具备有学习的能力。具体来讲，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
Datawhale X 李宏毅苹果书 AI夏令营-深度学习入门班-task1
机器学习就是去拟合一种函数，它可能在高维上，十分抽象，但是却可以有丰富的语义含义，从而完成一系列任务 回归任务是预测一个准确的值，例如拟合一条直线的时候，我们希望每一个点的值都能对应上 分类任务则是输出一个带有概率含义的Logits，经过一些操作(如softmax)得到每个类别对应的概率 除此之外模型还可以有结构化的输出，例如一张图、一篇文章 案例学习 面对一个问题，我们总是需要用自身已
Datewhale爬虫学习活动打卡——Task1简单爬虫的实现
文章目录 爬虫的原理HTML和DOMrequest和get单页面爬虫多页面爬虫Beautiful Soup 实战：爬豆瓣TOP250电影 爬虫的原理 HTML和DOM 众所周知，我们在互联网上可以通过URL来定位互联网上的资源，我们常见的网页就是互联网上资源的一种。 而网页一个网页的页面通常是由HTML、CSS和javascript构成的。HTML是一种标签式语言，各种各样的标
【无标题】天池机器学习训练营task1
学习目标： 了解 逻辑回归 的理论 掌握 逻辑回归 的 sklearn 函数调用使用并将其运用到鸢尾花数据集预测 Demo实践： 准备软件包： 我们需要现在准备一些软件包 numpy：是用Python进行科学计算的基本软件包。 sklearn：为数据挖掘和数据分析提供的简单高效的工具。 matplotlib ：是一个用于在Python中绘制图表的库。 Seaborn：是在matplotlib的基
【Sora原理与技术实战】Task1 Sora技术原理解析
本笔记来源：开源组织Datawhale24年组队学习 笔记链接：https://datawhaler.feishu.cn/wiki/LxSCw0EyRidru1kFkttc1jNQnnh 直播回看：https://www.bilibili.com/video/BV1wm411f7gf/ For the learner for the dreamer Sora技术原理解析 Sora具体内容
MetaGPT task1学习
基础知识学习了解： 安装环境： 获取MetaGPT 使用pip获取MetaGPT pip install -i https://pypi.tuna.tsinghua.edu.cn/simple metagpt==0.5.2 配置MetaGPT 完成MetaGPT后，我们还需要完成一些配置才能开始使用这个强力的框架，包括配置你自己的APIkey等等，下面我们我们将以配置ChatGPT为例来快
零基础入门语义分割-地表建筑物识别 Task1 赛题理解 -学习笔记
比赛地址：零基础入门语义分割比赛-地表建筑物识别，该比赛是由天池和Datawhale联合举办的学习赛，进入比赛页面可以下载相关的数据集。 学习任务：学习任务，查看学习任务，有层次递进的进行学习。 源码地址：源码baseline，源码在Datawhale的github上面，里面可以找到这次比赛的源码。 赛题理解： 赛题名称：零基础入门语义分割 - 地表建筑物识别 赛题目标：通过本次
智慧海洋建设-Task1地理数据分析常用工具
地理数据分析常用工具 安装geopandas的库时可以参考我的这篇文章《python库geopandas的安装方法》,https://blog.csdn.net/sjjsaaaa/article/details/115602267?utm_source=app&app_version=4.5.8 一.、shapely Shapely是python中开源的空间几何对象库，支持Point、Cur
《动手学深度学习》task1_3 多层感知机
目录 多层感知机多层感知机的基本知识隐藏层表达公式激活函数ReLU函数Sigmoid函数tanh函数 关于激活函数的选择多层感知机 多层感知机从零开始的实现获取训练集定义模型参数定义激活函数定义网络定义损失函数训练 多层感知机pytorch实现初始化模型和各个参数训练 多层感知机 多层感知机的基本知识使用多层感知机图像分类的从零开始的实现使用pytorch的简洁实现 多层感
《动手学深度学习》task1_2 Softmax与分类模型
目录 softmax和分类模型softmax的基本概念交叉熵损失函数模型训练和预测 获取Fashion-MNIST训练集和读取数据get dataset softmax从零开始的实现获取训练集数据和测试集数据模型参数初始化对多维Tensor按维度操作定义softmax操作softmax回归模型定义损失函数定义准确率训练模型模型预测 softmax的简洁实现初始化参数和获取数据定义网络模型初始
《动手学深度学习》task1_1 线性回归
目录 线性回归线性回归的基本要素模型数据集损失函数优化函数 - 随机梯度下降 矢量计算线性回归模型从零开始的实现生成数据集使用图像来展示生成的数据读取数据集初始化模型参数定义模型定义损失函数定义优化函数训练 线性回归模型使用pytorch的简洁实现生成数据集读取数据集定义模型初始化模型参数定义损失函数定义优化函数训练 两种实现方式的比较 线性回归 主要内容包括： 线性回归的基
python爬虫学习之task1:request应用
python爬虫学习之task1 HTTP网页基础1.组成2.网页结构 Request1.安装2.七个方法4.豆瓣电影爬取练习 HTTP HTTP是一个客户端（用户）和服务器端（网站）之间进行请求和应答的标准。 通过使用网页浏览器、网络爬虫或者其他工具，客户端可以向服务器上的指定端口（默认端口为80）发起一个HTTP请求。这个客户端成为客户代理（user agent）。应答服
街景识别-零基础入门-task1
街景识别-理解篇 名称 街道字符识别 目标 1.以计算机视觉为背景，预测街道字符编码，完成字符识别。 2.走进计算机视觉领域，锻炼并提高对数据建模的能力。 数据 数据集来自Google街景图像中的门牌号数据集（The Street View House Numbers Dataset, SVHN），并根据一定方式采样得到实验数据集。数据集在阿里云 天池报名后可见并可下载，该数据来自真实
python爬虫编程实践 Task1--简单爬虫
一个网络爬虫程序最普遍的过程： 1.访问站点； 2.定位所需的信息； 3.得到并处理信息。 示例1：爬取python之禅（The Zen of Python） requests.get 获取HTML网页的主要方法，对应于HTTP的GET import requestsurl = 'https://www.python.org/dev/peps/pep-0020/'r = request
IOI 2022 Day 1 Task1
Task 1 鲶⻥塘（fish） Bu Dengklek 有⼀个鲶⻥塘。 这个鲶⻥塘是由 N × N 个⽹格单元构成的池塘。 每个单元都是相同⼤ ⼩的正⽅形。 ⽹格各列⾃西向东编号为从 0 到 N − 1，各⾏⾃南向北编号为从 0 到 N − 1。 我们把坐 落在⽹格第 c 列第 r ⾏处（0 ≤ c ≤ N − 1，0 ≤ r ≤ N − 1）的单元记为单元 (c, r)。 池塘⾥总共
【贪玩巴斯】带你拿雅思Task1 小作文 7+ —— Dynamic+Static图表 Mixed多图（Table/pie chart/line graph/bar chart）2022-4-18
【贪玩巴斯】带你拿雅思Task1 小作文 7+ —— Dynamic+Static图表 & Mixed多图（Table/pie chart/line graph/bar chart）2022-4-18 1.Dynamic1.1 Dynamic Chart(一般两百字)1.2 danamic table1.3 表达expressions 2.Static2.1 static charts2.2
天池_二手车价格预测_Task1-2_赛题理解与数据分析
文章再菜，也要有的目录 1️⃣ 赛题理解✍️1️⃣.1️⃣ 赛题重述1️⃣.2️⃣ 数据集概述思考💭💡 1️⃣.3️⃣ 预测结果评价指标⚒️ 2️⃣ 数据分析EDA📊2️⃣.1️⃣ 数据总览2️⃣.1️⃣.1️⃣ 各种计算包的导入2️⃣.1️⃣.1️⃣ 数据载入2️⃣.1️⃣.2️⃣ 数据的基本形态 2️⃣.2️⃣ 数据的缺失情况📌2️⃣.3️⃣ 数据的异常情况☢️2️⃣.4️⃣ 待