人工智能

笔者有一定的机器学习和深度学习理论基础，对 Pytorch 的实战还不够熟悉，打算入职前专项突击一下 本文内容为笔者学习《动手学深度学习》一书的学习笔记 主要记录了代码的实现和实现过程遇到的问题

开始搓延期了一百年的机器学习实验，把SVM推导过程从定义到求解都刷了一遍，包括推导优化目标、提出对偶问题、利用KKT条件得到原问题的解以及SMO算法等

本文梳理了编者在阅读论文Robust Recovery of Subspace Structures by Low-Rank Representation时的逻辑流，为课堂汇报做准备

本文从最基本的线性回归开始，对比不同正则化方法的特点和作用，推广到多任务问题并引出L2,1范数正则化，卑微小采购尝试去理解论文是如何思考和优化问题（

本文主要讲述了LDA算法的推导，以及展示了LDA算法的代码实现和应用。LDA可以对有标签的二分类、多分类任务的数据作压缩

前言 发现虽然玩了一次卷积神经网络，但还没有写文章分析下它在干什么。 and今天瞅了眼自编码器和深度生成模型，生成宝可梦感觉真好玩啊（x

本篇文章将分解作业2和作业3提供的模板代码，提炼出模型训练时的常用操作，包括csv文件的输入输出，numpy的数组操作，keras训练模型的步骤等。

前言 吴恩达的视频里没提到概率生成模型，在李宏毅的作业2看到了，感觉挺有必要理解的，可以很自然而然地引出逻辑回归的模型。 参考：李宏毅机器学习中文课程 - 网易云课堂：分类：概率生成模型 一、问题描述

前言 完结撒花！！！但是感觉只是了解了部分算法的思想，具体的实现还得找东西练一练。 该篇笔记包括： 第十五章————异常检测 第十六章————推荐系统 第十七章————大规模机器学习 第十八章————

前言 这两天刷了四章视频，再来复盘一下： 第十一章————机器学习系统设计 第十二章————支持向量机 第十三章————K-Means算法 第十四章————主成分分析法

前言 学习吴恩达机器学习视频的第二篇笔记，内容包括： 第七章————正则化 第八、九章————神经网络 第十章————机器学习诊断法

被各种ddl加上期末考试耽搁了一段时间，准备继续肝机器学习了，对前面学的东西做个阶段性总结。本文包括线性回归和逻辑回归