摘要：
（一）机器学习（Machine Learning）：就是让计算机具备从大量数据中学习的能力之一系列方法。机器学习使用很多统计方法，统计学家也称之为统计学习，但本质上起源于计算机科学的人工智能。 （二）机器学习的分类：机器学习主要分为两类，即监督学习(supervised learning)与非监督学 阅读全文
摘要：
Spark提供了6大组件： Spark Core：Spark Core 是 Spark 的基础，它提供了内存计算的能力，是分布式处理大数据集的基础。它将分布式数据抽象为弹性分布式数据集（RDD），并为运行在其上的上层组件提供 API。所有 Spark 的上层组件都建立在 Spark Core 的基础 阅读全文
摘要：
在最后一天，我回顾了我的学习之旅，并介绍了TensorFlow社区。我分享了一些优秀的资源、博客和论坛，以及对TensorFlow未来发展的一些展望。我计划继续深入学习，关注TensorFlow的更新和新功能。这是一个关于十天学习TensorFlow的博客大致内容的示例： 阅读全文
摘要：
第九天，我关注了模型的部署和优化。我学会了如何使用TensorFlow Serving将模型部署为API，以及一些优化技巧，如模型量化、剪枝等，以提高模型在嵌入式设备和移动端的性能。 阅读全文
摘要：
我研究了迁移学习在TensorFlow中的应用。学到了如何使用预训练的模型，迁移其权重以加速新任务的学习，以及如何微调模型以适应特定的应用领域。 阅读全文
摘要：
在第七天，我转向了循环神经网络（RNNs）的学习。我了解了在TensorFlow中如何建立循环神经网络，以及它们在序列数据上的应用，比如自然语言处理任务。 阅读全文
摘要：
第六天，我深入研究了卷积神经网络（CNNs）在TensorFlow中的实现。我学到了如何使用tf.keras.layers构建卷积层、池化层等，并在实际数据集上应用CNN进行图像分类任务。 阅读全文
摘要：
我花时间研究了超参数调优的方法，包括学习率衰减、数据增强和正则化等。通过实验和对比不同配置下的模型性能，我逐步找到了使模型性能达到最佳状态的超参数组合。 阅读全文
摘要：
通过实际训练一个简单的YOLOv模型，我深入了解了训练过程中的关键参数配置，如学习率、批量大小等。调整这些参数，并观察模型在训练集上的收敛情况，我逐步优化了模型的性能。 阅读全文