9 月份总结9 月份以来, 入学教育 15 天, 开学也有了两周, 这个月过了下机器学习西瓜书的一些理论, 然后看完了李宏毅的ML2021, 看完了视频, 作业没做, 然后流媒体这边了解了一下综述. 这几天打算和学姐做无缝无线漫游. 后面

📚 半监督学习（Semi-Supervised Learning）笔记 半监督学习 = 利用“少量有标签数据 + 大量无标签数据”提升模型性能。现实数据中，标注成本高，无标签数据易得 → 半监督学习是“性价比之王”。 🎯 一、为什么

📚 计算学习理论笔记 计算学习理论研究“机器学习算法在什么条件下能学好”，即：样本复杂度、泛化误差上界、可学习性的数学基础。核心工具：PAC学习、VC维、Rademacher复杂度、稳定性。 🎯 一、PAC 学习（Probably

📚 稀疏表示、字典学习、K-SVD 与压缩感知 本笔记系统讲解稀疏学习中的高阶概念：稀疏表示（用少量基表示信号）、字典学习（从数据中学基）、K-SVD（更新字典的算法）、压缩感知（从少量测量重建稀疏信号）。所有算法步骤用表格呈现，公式清晰

📉 降维与度量 降维：用更少维度保留最重要信息，解决维度灾难、提升效率、去冗余度量学习：学习一个“智能距离”，使相似样本更近、不相似样本更远，提升 KNN、聚类、检索性能 ✅ 一、为什么需要降维？ 维度灾难：维度越高，数据越稀疏，距离

🧠 集成学习（Ensemble Learning） 集成学习通过组合多个“弱学习器”，构建一个更强、更稳定、泛化能力更好的“强学习器”。核心思想：“三个臭皮匠，顶个诸葛亮”。 ✅ 一、为什么集成学习有效？1. 降低方差（Varianc

🧮 贝叶斯分类器（Bayesian Classifier） 贝叶斯分类器是一类基于贝叶斯定理和特征条件独立假设的概率分类模型，核心思想是：选择后验概率最大的类别作为预测结果。因其简单高效、理论清晰、适合高维稀疏数据，广泛应用于文本分类、垃

机器学习理论(2) 此部分包括决策树 , 神经网络, 支持向量机 今天感觉机器学习这部分只需要理解概念即可, 不需要推公式, 感觉不做理论, 没必要纠结那么深刻, 知道怎么用库实现代码就可以了. 或者对着 gpt 复现一下代码. 🌳

机器学习理论 (1) 包括绪论, 评估标准和线性回归的内容 https://www.datawhale.cn/learn/content/2/63 第一章绪论1. 基本术语 样本 : 单个数据 , 用向量表示 样本空间 : 向量空间

Datawhale人工智能培养方案 组里的研究基本上围绕流媒体传输, 但是发现大家好像都在用 ai 方法做, 感觉学点 AI, 还是比较好发论文, 于是乎决定每天学习一点 AI , 上次学 ai 好像还是在李沐时期, 看了一眼 Datalo