摘要： 简介 样本数据中 有带标签和 不带标签的。 半监督学习 监督学习与无监督学习相结合的一种学习方法，它同时利用有标记样本与无标记样本进行学习。 目的： 在标记样本有限的情况下， 尽可能识别出总样本的共同特性。 英文： Semi-Supervised Learning 伪标签学习：用有标签数据训练一个分 阅读全文

摘要： 简介 英文： transfer learning 以已训练好的模型A为起点，在新场景中，根据新数据建立模型B 目的：将某个领域或任务上学习到的知识或模式，应用到不同但相关的领域或问题中。 特征提取 使用模型A，移除输出层，提取目标特征信息 结构引用 使用模型A的结构，重新/二次训练权重系数参数 部分 阅读全文

摘要： LSTM RNN对于前面的信息会有意外，LSTM可以基础相应的信息 code #加载数据 data = open("LSTM_text.txt").read() #移除换行 data = data.replace("\n","").replace("\r","") print(data) #分出字符 阅读全文

摘要： 简介 import pandas as pd import numpy as np data = pd.read_csv('zgpa_train.csv') data.head() price = data.loc[:,'close'] price.head() # 归一化处理 price_norm 阅读全文

摘要： 简介 前部序列的信息经过处理后，作为输入信息传递到后部序列。 普通RNN结构 前面的信息会在传递的过程中丢失 求解过程中梯度消失 LSTM 长短期记忆网络 在网络结构很深的情况下，也能保留重要信息 解决了普通RNN求解过程中的梯度消失问题 DRNN 阅读全文

摘要： 简介 卷积神经网络 专有名词释义 卷积层， 使用算子对图像进行卷积，感觉是对图像信息的一种压缩。 池化层， 分块提取信息 padding， 防止卷积的时候信息丢失 全连接层，图像信息都对对接 经典CNN模型 参考经典的CNN结构搭建新模型 使用经典的CNN模型结构对图像预处理，再建立MLP模型 经典 阅读全文

摘要： 简介 将多个 逻辑回归 网络 层叠起来 构建 多层感知器 在不增加高次项数据的情况下，如何通过MLP实现非线性分类预测。 + MNIST 数据集的MLP模型 参考链接 推荐安装 李沐 的 cuda 还有GPU版本 https://www.bilibili.com/video/BV18K411w7Vs 阅读全文

摘要： 简介 使用多个KNN参数进行训练 参考链接 https://blog.csdn.net/weixin_46344368/article/details/107214449?spm=1001.2014.3001.5502 code #加载数据 import pandas as pd import nu 阅读全文

摘要： 简介 使用多个 线性回归参数对模型进行预测。 code # load the data import pandas as pd import numpy as np data_train = pd.read_csv('T-R-train.csv') data_train #数据预览 #define 阅读全文

摘要： 简介 探讨模型优化 任务二分类 问题1： 用什么算法？ 逻辑回归 KNN 决策树 神经网络 问题2： 具体算法的核心结构或参数如何选择？ 逻辑回归边界函数用什么：线性，多项式？ KNN的核心参数n_neighbors取多少合适。 问题3： 模型表现不佳，怎么办？？ 训练数据准确率太低 测试数据准确率 阅读全文