项目介绍:
本科毕业选的深度学习的毕设,一开始只是学习了一下YOLOv3模型, 按照作者的指示在官网上下载下来权重,配好环境跑出来Demo,后来想着只是跑模型会不会太单薄,于是想了能不能做出来个比较实用的东西(因为模型优化做不了)。于是乎做一个可以检测人体的可操控移动小车的想法就诞生了。
分类模型(分类器)是一种有监督的机器学习模型,其中目标变量是离散的(即类别)。评估一个机器学习模型和建立模型一样重要。我们建立模型的目的是对全新的未见过的数据进行处理,因此,要建立一个鲁棒的模型,就需要对模型进行全面而又深入的评估。当涉及到分类模型时,评估过程变得有些棘手。
在这篇文章中,
引言:
这个系列的笔记是台大李宏毅老师机器学习的课程笔记
视频链接(bilibili):李宏毅机器学习(2017)
另外已经有有心的同学做了速记并更新在github上:李宏毅机器学习笔记(LeeML-Notes)
很久都没有用高数及线性代数的知识,很多都生疏了,这节课有很多的数学公式及概念
移步bdata-cap.com
Faiss 快速入门(1)
Faiss 更快的索引(2)
Faiss低内存占用(3)
Faiss 构建: clustering, PCA, quantization(4)
如何选择Faiss索引(5)
官网地址 ,你也可以访问我的Github,运行代
什么是标签平滑?在PyTorch中如何去使用它?
在训练深度学习模型的过程中,过拟合和概率校准(probability calibration)是两个常见的问题。一方面,正则化技术可以解决过拟合问题,其中较为常见的方法有将权重调小,迭代提前停止以及丢弃一些权重等。另一方面,Platt标度法
博客:博客园 | CSDN | blog
目录写在前面Inception-V1 (GoogLeNet)BN-InceptionInception-V2, V3Inception-V4,Inception-ResNet-v1,Inception-ResNet-v2参考
写在前面
Incept
本文翻译自kaggle learn,也就是kaggle官方最快入门kaggle竞赛的教程,强调python编程实践和数学思想(而没有涉及数学细节),笔者在不影响算法和程序理解的基础上删除了一些不必要的废话,毕竟英文有的时候比较啰嗦。
一.决策树算法基本原理
背景:假设你的哥哥是一个投资房地
您可能会感到惊讶,但这是有效的。
最近,我阅读了arXiv平台上的Jonathan Frankle,David J. Schwab和Ari S. Morcos撰写的论文“Training BatchNorm and Only BatchNorm: On the Expressive P
目录ML-Agents(五)GridWorldVisual ObservationsMasking Discrete Actions环境与训练参数场景基本结构代码分析环境初始化代码Agent脚本初始化与重置动作遮罩Agent动作反馈FixedUpdate()手动操作代码关于GridSett
首先导入数据,将数据分为训练集和测试集:
import pandas as pd
# Load data
melbourne_file_path = '../input/melbourne-housing-snapshot/melb_data.csv'
melbourne_da
本文翻译自kaggle learn,也就是kaggle官方最快入门kaggle竞赛的教程,强调python编程实践和数学思想(而没有涉及数学细节),笔者在不影响算法和程序理解的基础上删除了一些不必要的废话,毕竟英文有的时候比较啰嗦。
一.什么是过拟合和欠拟合?
过拟合的含义就是当前模型十分
本文翻译自kaggle learn,也就是kaggle官方最快入门kaggle竞赛的教程,强调python编程实践和数学思想(而没有涉及数学细节),笔者在不影响算法和程序理解的基础上删除了一些不必要的废话,英文有的时候比较啰嗦。
一.什么是模型验证
模型验证在机器学习当中非常重要,因为有的
前段时间因为店铺不能开门,我花了一些空余时间看了很多机器学习相关的资料,我发现目前的机器学习入门大多要不门槛比较高,要不过于着重使用而忽视基础原理,所以我决定开一个新的系列针对程序员讲讲机器学习。这个系列会从机器学习的基础原理开始一直讲到如何应用,看懂这个系列需要一定的编程知识(主要会使用
[白话解析] 通俗解析集成学习之bagging,boosting & 随机森林
0x00 摘要
本文将尽量使用通俗易懂的方式,尽可能不涉及数学公式,而是从整体的思路上来看,运用感性直觉的思考来解释 集成学习。并且从名著中延伸了具体应用场景来帮助大家深入这个概念。
在机器学习过程中,
论文超级大合集下载,整理好累,拿走不谢!!!
————————————————————————————————————
CVPR-2020
AAAI-2020
CVPR-2019
NIPS-2019
ICCV-2019
IJCAI-2019
————————————————————————
目录注: 本实验的源代码和测试数据已经上传到git上,链接如下一、实验目的二、实验内容与设计思想三、实验使用环境四、实验步骤和调试过程4.1 通过简单例子理解k-近邻算法4.2 分析k-近邻算法在改进约会网站中的应用4.2.1 题目说明4.2.2 源代码解析(运用kNN算法求解的一般步骤解
http://www-personal.umich.edu/~jizhu/jizhu/wuke/Friedman-AoS01.pdf
https://www.cnblogs.com/bentuwuying/p/6667267.html
https://www.cnblo
ABSTRACT
这篇paper中作者结合GBDT和LR,取得了很好的效果,比单个模型的效果高出3%。随后作者研究了对整体预测系统产生影响的几个因素,发现Feature(能挖掘出用户和广告的历史信息)+Model(GBDT+LR)的贡献程度最大,而其他因素(数据实时性,模型学习速
目录Spectral ClusteringGraph Partitioning$d$-Regular GraphMotif-Based Spectral Clustering
转自本人:https://blog.csdn.net/New2World/article/details/1053
本文旨在探究将PyTorch Lightning应用于激动人心的强化学习(RL)领域。在这里,我们将使用经典的倒立摆gym环境来构建一个标准的深度Q网络(DQN)模型,以说明如何开始使用Lightning来构建RL模型。
在本文中,我们将讨论:
什么是lighting以及为什么要将它应用于