第一次课程实验内容: 目标: 主要目标是对图像数据进行 K-means 聚类分析，并比较不同版本的 K-means 算法的性能 import numpy as np import time import matplotlib.pyplot as plt # 用于添加标题 import matplo
期望最大化方法（Expectation-Maximization） EM算法最经典的两个应用是： 高斯混合模型 GMM 的参数估计: 聚类或拟合数据分布 隐式马尔可夫模型 HMM 的参数估计: 时间序列数据，比如语音识别、天气预测等 EM算法还能应用在一些更细分的应用: 学习固定模型的最佳组合方式
基础介绍 什么是决策树？ 决策树是一种用于做出判断的结构，就像一棵 "树" 一样，从一个问题出发，一步步根据条件分支，最终得出一个决定。在机器学习中，决策树是用来预测的模型，它通过对数据特征的判断，来决定最终的输出结果。 我们可以把决策树看作是多个 if-else 规则的组合。每个节点表示一个问题，
大家好，今天我们来聊一聊机器学习模型中的评估指标。 在进入正题之前，我们先回顾一下上一节课讲了什么，并梳理一下它和前面几节课之间的联系。我们之前提到，机器学习的核心目标，是对某个我们感兴趣的对象进行建模。这个对象，是现实世界中的一个具体事物。比如，我们想预测房价。 在数学上，我们可以用一个分布 P
1.1 大家好，好久不见，大概有一两个月没和大家见面了。 大家可能知道，今年秋季我们将在斯坦福开设一门新课，叫做「实用机器学习」。这门课的授课语言是英文，课件（slides）也是英文制作的。但考虑到很多中文母语的同学，我们会用中文为大家重新讲解这些内容，帮助大家更好地理解。 我们这门课的第一个单元是
人工神经网络与深度学习 历史背景 人工神经网络如今已成为机器学习的主流方法。在计算机发展初期，由于算力限制，无法模拟大量神经元，因此神经网络一直未能得到广泛应用。2010年后，移动互联网快速发展，网络上积累了海量数据，这为人工智能的崛起提供了基础。从数学角度看，神经网络不像SVM那样有优雅的理论框架
没有免费午餐定理 这个定理的核心思想是：如果我们对特征空间没有任何先验假设，那么所有算法的平均表现都是相同的，即没有办法评估算法的优劣。 考虑一个最简单的例子：假设计算机内存中仅有两个存储单元，数据有两个类别标签： \begin{cases} O & \text{class 1}\\[6pt] X
项目背景与任务描述 语义分割是计算机视觉中的一项基础任务，其目标是对图像中的每一个像素进行分类。与图像分类任务只输出整张图片的单一类别不同，语义分割需要输出与输入图像相同尺寸的分割图，其中每个像素都被赋予一个类别标签。 本项目聚焦于水下图像的语义分割任务。水下环境具有独特的挑战性：光线在水中衰减导致
机器学习导论与分类基础 机器学习核心定义 机器学习是一种设计预测函数的方法论，其特点在于设计过程是非显式的，不手动编写规则，而是让系统从大量示例数据中自动归纳规律并泛化到新情况。 机器学习问题涉及三个基本要素：待解释的数据 x（传感器测量值、文字、图片、音频等），预测结果 y（决策、分类标签、数值预
