李宏毅机器学习p1-p2打卡

这周主要学习了机器学习的一些基础知识，比如：机器的基本概念、training三步骤，并在最后进行了总结。此外，还学习了深度学习的知识，了解了sigmoid函数和ReLU函数这两个重要的激活函数，并且学习了深度学习的三个步骤。最后观看视频完成了pytorch的环境配置，并了解到了dir()与help()这两个对pytorch学习最为重要的函数。机器学习实际上并没有我们想象中的那么复杂，其实际上就是寻找一个函数输入的过程。

P1 【机器学习介绍】 人工智慧是我们想要达成的目标，而机器学习是想要达成目标的手段。深度学习就是机器学习的其中一种方法。 如果讲的更务实一点的话，machine learning所做的事情，你可以想成就是在寻找一个function，要让机器具有一个能力，这种能力是根据你提供给他的资料，它去寻找出我们要寻找的function。还有很多关键问题都可以想成是我们就是需要一个function。 找出function的framework 准备一个function set(集合)，这个function里面有成千上

负责人：王佳旭 课程设计人：王佳旭 【线性回归任务一】 #任务时间# 请于5月13日22:00前完成，逾期尚未打卡的会被清退。 学习视频内容： 观看李宏毅课程内容：P1、P2。 视频连接：https://www.bilibili.com/video/av35932863?from=search&seid=2134843831238226258 学习打卡任务内容： 了解什么是Ma...

Self-Attention

李宏毅-机器学习课程-笔记

摘要：论文提出ODA-GAN框架，通过正交特征解耦和弱监督学习解决虚拟免疫组化染色中的关键问题。该方法包含三个核心组件：(1)基于UNI基础模型和Grad-CAM的弱监督分割管道，可在无专家标注下生成语义分割掩码（AUC达0.933）；(2)双流对比学习策略（DPNCE），通过样本重划分解决病理一致性问题；(3)多层域对齐模块（MDA）提升染色真实性。在三个基准数据集上的实验表明，ODA-GAN在KID、FID等指标上均优于现有方法，视觉评估也证实其生成结果具有更高的真实性和病理准确性。该框架为虚拟染色提供

原作者：张晓泉、卢涛、石川 探讨了机器学习在因子投资中的应用现状与挑战。 金融数据的诸项特性导致直接套用现成算法效果有限。 重点分析了两类深度学习模型（CNN和RNN）在金融建模中的适应性，指出其成功依赖数据质量与经济理论指导。 通过解构量化投资全流程，展示了机器学习在数据预处理、因子发现、风险优化等环节的应用潜力，同时强调需警惕过拟合风险。 资产定价领域需将机器学习嵌入理论框架，通过正则化、协变量缩放等技术结合金融先验知识提升预测效果。 当前研究正从传统计量方法转向机器学习范式，但克服数据分布变化仍困难

本项目基于 KNN（K 近邻）算法，构建手写数字识别系统。利用包含 0 - 9 手写数字的训练数据集，通过预处理图像、划分数据集、训练 KNN 模型，实现对手写数字的精准识别，支持批量测试集评估与单张图片预测# 读取图片并预处理读取指定路径的图像转换为灰度图并重塑为符合模型输入要求的形状使用训练好的 KNN 模型进行预测并返回结果。

本文致力于探讨中特估股票的关键特征选取与分类问题。收集巨潮资讯网行情中心的100支股票的详实数据，其中涵盖50支中特估股票与50支普通股票，每支股票均配备了23个财务特征。借助Python软件的强大功能，运用主成分分析与随机森林等方法对收集的数据进行深度剖析。

从接收的中的过程称为，又称为[1]。是根据测量的雷达辐射源特征参数与数据库中已有的先验知识进行匹配，从而确定辐射源类型、型号等相关信息的过程[2]。下面只提到有用的基础知识点，对论文中方法不做解释。

特征工程是机器学习的核心环节之一，它直接影响模型的性能和预测能力。在医学影像领域（如肿瘤检测、疾病分类），特征选择尤为重要，因为医学影像数据通常具有高维、噪声多、样本量有限的特点。本文将详尽讲解特征选择的原理、实现方法及其在医学影像领域的应用。

模型可能在训练集上表现很好（如准确率99%），但在新数据上表现很差 —— 这叫过拟合（Overfitting）。我们常常尝试多种模型（如逻辑回归 vs 决策树 vs 神经网络），需要一个客观、可量化的标准来判断哪个模型更好。模型评估通过测试集或交叉验证，检验模型是否真正泛化（Generalization） 而不是死记硬背。

机器学习领域存在"没有免费午餐"定理，没有任何一种模型在所有问题上都表现最优。不同模型有各自的优势和适用场景。同一数据集上，不同模型的预测性能可能有巨大差异。例如，线性关系明显的数据上线性模型可能表现优异，而复杂非线性关系则可能需要树模型或神经网络。

随着大型语言模型（LLM）的推理能力日益增强，如何公平、准确地评测其“智力”水平，成了一个极其棘手的问题。本文基于李宏毅教授的最新课程，深入探讨了当前LLM评测面临的困境。文章首先揭示了标准数学和编程测试背后可能存在的“数据污染”问题，即模型可能是在“背答案”而非真正地推理。随后，文章考察了两种试图规避此问题的先进评测方案：以抽象智力测验为核心的ARC-AGI，以及以全民投票为机制的Chatbot Arena。然而，即便是这些方案，也分别面临着被“应试技巧”攻破和被“人类风格偏好”干扰的风险。最终，文章以“