算法金
算法金_个人页
算法金
文章
42
问答
0
视频
0
个人介绍
暂无个人介绍
擅长的技术
-
发表了文章 2024-07-15
算法金 | 秒懂 AI - 深度学习五大模型：RNN、CNN、Transformer、BERT、GPT 简介
**RNN**，1986年提出，用于序列数据，如语言模型和语音识别，但原始模型有梯度消失问题。**LSTM**和**GRU**通过门控解决了此问题。 **CNN**，1989年引入，擅长图像处理，卷积层和池化层提取特征，经典应用包括图像分类和物体检测，如LeNet-5。 **Transformer**，2017年由Google推出，自注意力机制实现并行计算，优化了NLP效率，如机器翻译。 **BERT**，2018年Google的双向预训练模型，通过掩码语言模型改进上下文理解，适用于问答和文本分类。
-
发表了文章 2024-07-14
算法金 | 深度学习图像增强方法总结
**图像增强技术概括** 图像增强聚焦于提升视觉效果和细节，广泛应用于医学、遥感等领域。空间域增强包括直方图均衡化（增强对比度）、对比度拉伸、灰度变换、平滑滤波（均值、中值）和锐化滤波（拉普拉斯、高通）。频率域增强利用傅里叶变换、小波变换，通过高频和低频滤波增强图像特征。现代方法涉及超分辨率重建、深度学习去噪（如CNN、Autoencoder）、图像修复（如GAN）和GANs驱动的多种图像处理任务。
-
发表了文章 2024-07-09
算法金 | 最难的来了：超参数网格搜索、贝叶斯优化、遗传算法、模型特异化、Hyperopt、Optuna、多目标优化、异步并行优化
机器学习中的超参数调优是提升模型性能的关键步骤，包括网格搜索、随机搜索、贝叶斯优化和遗传算法等方法。网格搜索通过穷举所有可能的超参数组合找到最优，但计算成本高；随机搜索则在预设范围内随机采样，降低计算成本；贝叶斯优化使用代理模型智能选择超参数，效率高且适应性强；遗传算法模拟生物进化，全局搜索能力强。此外，还有多目标优化、异步并行优化等高级技术，以及Hyperopt、Optuna等优化库来提升调优效率。实践中，应结合模型类型、数据规模和计算资源选择合适的调优策略。
-
发表了文章 2024-07-06
算法金 | 一个强大的算法模型，GPR ！！
高斯过程回归（GPR）是基于高斯过程的非参数贝叶斯方法，用于捕捉数据的非线性关系并提供不确定性估计。它利用核函数描述输入数据的潜在函数，如径向基函数（RBF）用于平滑建模。GPR通过最大化对数似然函数选择超参数。代码示例展示了如何使用`sklearn`库进行GPR，生成模拟数据，训练模型，并用RBF核函数进行预测，最后通过绘图展示预测结果及置信区间。
-
发表了文章 2024-07-05
算法金 | 平均数、众数、中位数、极差、方差，标准差、频数、频率 一“统”江湖
**统计学江湖概要** - **平均数（均值）**：数字的总和除以数量，代表集中趋势，如分赃时平均分配。 - **众数**：出现次数最多的数字，反映了最常见的值，如同一招式被频繁使用。 - **中位数**：排序后位于中间的值，反映数据的中心位置，如同武者武功的中等水平。 - **极差**：最大值减最小值，表示数据波动范围，类似武功最高与最低的差距。 - **方差**：衡量数据波动性，计算每个数值与均值差的平方和的平均数。 - **标准差**：方差的平方根，同单位的波动度量。 - **频数**：某个值出现的次数，如统计武器使用情况。 - **频率**：频数与总次数的比例，显示出现的相对频率。
-
发表了文章 2024-07-03
算法金 | 欧氏距离算法、余弦相似度、汉明、曼哈顿、切比雪夫、闵可夫斯基、雅卡尔指数、半正矢、Sørensen-Dice
**摘要：** 了解9种距离和相似度算法：欧氏距离、余弦相似度、汉明距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、雅卡尔指数、半正矢距离和Sørensen-Dice系数。这些算法在机器学习、文本分析、图像处理和生物学等领域各有应用。例如，欧氏距离用于KNN和K-Means，余弦相似度用于文本相似性，汉明距离在错误检测中，曼哈顿距离在数据挖掘，切比雪夫距离在棋盘游戏，闵可夫斯基距离通过调整参数适应不同场景，雅卡尔指数和Sørensen-Dice系数用于集合相似度。每种算法有其优缺点，如欧氏距离对异常值敏感，余弦相似度忽略数值大小，汉明距离仅适用于等长数据。
-
发表了文章 2024-06-23
算法金 | K-均值、层次、DBSCAN聚类方法解析
**摘要：** 这篇文章介绍了聚类分析的基本概念和几种主要的聚类算法。聚类是无监督学习中用于发现数据内在结构的技术，常用于市场分析、图像分割等场景。K-均值是一种基于划分的算法，简单高效但易受初始值影响；层次聚类包括凝聚和分裂方式，形成层次结构但计算复杂；DBSCAN基于密度，能处理任意形状的簇，但参数选择敏感。文章还讨论了这些算法的优缺点和适用场景，并提供了相关资源链接和Python实现。
-
发表了文章 2024-06-20
审稿人：拜托，请把模型时间序列去趋势！！
**时间序列去趋势概述** 时间序列分析中，去趋势是关键步骤，旨在消除长期变化模式以便更好地分析数据。趋势可以上升、下降或平稳。常用去趋势方法包括移动平均、差分和多项式拟合。移动平均通过计算窗口内平均值平滑数据；差分通过相邻点差值去除趋势；多项式拟合通过拟合函数描述并减去趋势。去趋势后数据更平稳，便于预测和决策。实际应用如股票市场、气象和经济指标分析。在处理时需注意数据周期性、过度拟合和预处理。
-
发表了文章 2024-06-19
算法金 | 再见！！！梯度下降（多图）
**梯度下降及其优化算法简述** 梯度下降是一种优化算法，广泛用于机器学习和深度学习，通过迭代更新模型参数以最小化损失函数。它有几种变体，包括批梯度下降（使用全部数据）、随机梯度下降（单个样本）和小批量梯度下降（小批量样本）。每种形式在计算效率和稳定性上各有优劣。
-
发表了文章 2024-06-16
算法金 | 一文看懂人工智能、机器学习、深度学习是什么、有什么区别！
**摘要：** 了解AI、ML和DL的旅程。AI是模拟人类智能的科学，ML是其分支，让机器从数据中学习。DL是ML的深化，利用多层神经网络处理复杂数据。AI应用广泛，包括医疗诊断、金融服务、自动驾驶等。ML助力个性化推荐和疾病预测。DL推动计算机视觉和自然语言处理的进步。从基础到实践，这些技术正改变我们的生活。想要深入学习，可参考《人工智能：一种现代的方法》和《深度学习》。一起探索智能的乐趣！
-
发表了文章 2024-06-15
算法金 | 选择最佳机器学习模型的 10 步指南
许多刚入门的学习者也面临着相似的挑战，特别是在项目启动初期的方向确定和结构规划上。本文意在提供一份全面指南，助你以正确的方法开展项目。 遵循本文提供的每一步至关重要（虽有少数例外）。就像不做饭或点餐就无法享用美食一样，不亲自动手构建模型，就无法实现模型部署。
-
发表了文章 2024-06-11
算法金 | 一文彻底理解机器学习 ROC-AUC 指标
```markdown # ROC曲线与AUC详解：评估分类模型利器 本文深入浅出解释ROC曲线和AUC，通过实例和代码帮助理解其在模型评估中的重要性，旨在提升对分类模型性能的理解和应用。 ```
-
发表了文章 2024-06-11
算法金 | D3blocks，一个超酷的 Python 库
D3Blocks是一个基于d3.js的Python图形库，用于创建吸引人的数据可视化图表，如D3graph、Elasticgraph和Sankey图。拥有超过470个Star，其特点包括简易性、功能丰富、易用性、可定制性和及时更新。通过pip安装后，用户能轻松创建粒子图和其他图表。文中展示了实战应用，如能源数据集的网络图，通过调整节点和边的属性实现个性化展示。关注作者，享受智能乐趣。
-
发表了文章 2024-06-07
算法金 | 这次终于能把张量（Tensor）搞清楚了！
本文是关于PyTorch中张量（Tensor）的入门教程，由全网同名\[算法金\]作者撰写。文章介绍了张量的基础概念，强调其在深度学习中的核心地位，并阐述了张量与向量、矩阵的关系。接着，详细讲解了如何在PyTorch中创建和操作张量，包括张量的数学运算、广播机制、索引切片以及变形与重塑。此外，还涉及张量的高级功能，如自动求导系统和高级数学函数。最后，文章提到了张量在深度学习中的应用、性能优化技巧和调试方法，鼓励读者通过实践提升技能。
-
发表了文章 2024-06-06
算法金 | 吴恩达：机器学习的六个核心算法！
吴恩达教授在《The Batch》周报中介绍了机器学习领域的六个基础算法：线性回归、逻辑回归、梯度下降、神经网络、决策树和k均值聚类。这些算法是现代AI的基石，涵盖了从简单的统计建模到复杂的深度学习。线性回归用于连续变量预测，逻辑回归用于二分类，梯度下降用于优化模型参数，神经网络处理非线性关系，决策树提供直观的分类规则，而k均值聚类则用于无监督学习中的数据分组。这些算法各有优缺点，广泛应用于经济学、金融、医学、市场营销等多个领域。通过不断学习和实践，我们可以更好地掌握这些工具，发掘智能的乐趣。
暂无更多信息
-
发表了文章
2024-07-17
算法金 | 这绝对是不一样的，独一无二的逻辑回归算法体验
-
发表了文章
2024-07-15
算法金 | 秒懂 AI - 深度学习五大模型：RNN、CNN、Transformer、BERT、GPT 简介
-
发表了文章
2024-07-14
算法金 | 深度学习图像增强方法总结
-
发表了文章
2024-07-11
算法金 | 来了，pandas 2.0
-
发表了文章
2024-07-11
算法金 | DL 骚操作扫盲，神经网络设计与选择、参数初始化与优化、学习率调整与正则化、Loss Function、Bad Gradient
-
发表了文章
2024-07-10
算法金 | 最难的来了：超参数网格搜索、贝叶斯优化、遗传算法、模型特异化、Hyperopt、Optuna、多目标优化、异步并行优化
-
发表了文章
2024-07-07
算法金 | 推导式、生成器、向量化、map、filter、reduce、itertools，再见 for 循环
-
发表了文章
2024-07-07
算法金 | 一个强大的算法模型，GPR ！！
-
发表了文章
2024-07-06
算法金 | 平均数、众数、中位数、极差、方差，标准差、频数、频率 一“统”江湖
-
发表了文章
2024-07-05
算法金 | 我最常用的两个数据可视化软件，强烈推荐
-
发表了文章
2024-07-04
算法金 | 致敬深度学习三巨头：不愧是腾讯，LeNet问的巨细。。。
-
发表了文章
2024-07-03
算法金 | 欧氏距离算法、余弦相似度、汉明、曼哈顿、切比雪夫、闵可夫斯基、雅卡尔指数、半正矢、Sørensen-Dice
-
发表了文章
2024-07-01
算法金 | Transformer，一个神奇的算法模型！！
-
发表了文章
2024-07-01
算法金 | 线性回归：不能忽视的五个问题
-
发表了文章
2024-06-30
算法金 | 协方差、方差、标准差、协方差矩阵
-
发表了文章
2024-06-29
超强，必会的机器学习评估指标
-
发表了文章
2024-06-27
算法金 | 没有思考过 Embedding，不足以谈 AI
-
发表了文章
2024-06-27
资深博导：我以为数据预处理是常识，直到遇到自己的学生
-
发表了文章
2024-06-26
算法金 | 决策树、随机森林、bagging、boosting、Adaboost、GBDT、XGBoost 算法大全
-
发表了文章
2024-06-24
算法金 | 使用随机森林获取特征重要性
滑动查看更多
暂无更多信息
暂无更多信息