李宏毅2022ML第六周课程笔记

Akamai移动端Sensor数据采集与BMP风控机制深度解析

本文深度解析了Akamai在移动端风控中的核心机制，重点阐述了Sensor数据如何通过采集陀螺仪、加速度计等硬件信息，结合设备指纹生成连续且符合物理规律的行为轨迹。详细剖析了数据从采集、加密校验到通过BMP风控三重验证（校验位、时间差、数据逻辑）的完整流程，并提供了从模拟优化到自建风控模型的实用应对思路。

【机器学习】李宏毅——Explainable ML(可解释性的机器学习)

本文介绍了Explainable ML(可解释性的机器学习)的相关内容，抱愧这项技术的相关概述、当前发展等等。

李宏毅2020机器学习课程笔记（一）- 分类与回归

包含李宏毅机器学习视频P1-P16的课程梗概

ML起跑线 001：李宏毅老师机器学习（2022）HW1 示例代码学习笔记

same_seed() 函数为神经网络的训练提供一致的随机种子，确保训练结果的可复现性。它的输入 seed 是一个整数，我们可以在1.7.中的config里设置它。train_valid_split() 函数可以根据我们给定的验证集比例（valid_ratio）将原始的训练集随机划分为训练集和验证集，以供训练过程使用。它需要 3 个输入参数：未分割的训练集（data_set），验证集比例（valid_ratio）和随机种子数（seed）。

李宏毅深度学习-机器学习任务攻略

训练的三个基本步骤，如上图所示。我们一般直接跑sample code,往往只能得到baseline的结果，那如何获得更好的结果呢，本节会简略的回答这个问题。攻略：如果说你觉得你对自己的训练结果不满意的话，第一步应该先检查你的training data 的loss,如果你的模型在training data上的loss比较大，那么你需要思考这是model bias还是optimization的问题。

李宏毅机器学习第六周_鱼与熊掌可以兼得的机器学习

深度神经网络（Deep Neural Networks）通常比浅层神经网络（Shallow Neural Networks）表现更好，原因包括更强的表示能力、局部逐层表示、参数效率、模块化和梯度优化算法。深度模型能学习复杂的抽象特征，通过多层次的非线性映射提高参数效率。局部逐层表示有助于捕捉输入数据的复杂模式。模块化使得网络可以逐层地解决问题，适应输入数据的复杂性。梯度优化算法（如反向传播和随机梯度下降）及现代硬件和软件框架支持了深度学习的实现。

机器学习（李宏毅）——Explainable AI

机器学习（李宏毅）——Explainable AI

机器学习（李宏毅）——Meta Learning

机器学习（李宏毅）——Meta Learning

Meta Learning（李宏毅老师系列）

Meta v.s. Domain adaptation：Meta中不同的task看做是不同的Domain，那么可以将Meta看做是Domain adaptation的一种方法。将该“学习算法”在所有的“学习任务”上的损失求和，得到total loss。“学习算法”也可以看做一个函数F，它的输入是训练数据，输出是model。最终我们真正关心的是，在“测试任务”上，学习算法。用在在测试任务的测试数据上，可以得到想要的结果。，利用某个任务的训练数据进行训练，得到模型。根据学习内容不同，将元学习的具体方法进行。

李宏毅ML 学习笔记（1）

李宏毅2021/2022 ML课程学习

【深度学习】李宏毅2021/2022春深度学习课程笔记 - Deep Learning Introduction

这一步骤在 Deep Learning 中通常表现为建立Model。比如，建立了一个3层的全连接网络，每一层是由线性层+ReLu激活函数构成的，这就是我们定义的函数表达式。在每一个线性层中，都有未知的参数 w 和 b损失函数的值代表了真实值与预测值之间的差距，通常来说，损失函数值越小，代表模型的预测就越接近真实值。常用的损失函数如下图所示：MAE、MSE 等案例介绍已知2017年-2020年的播放量数据，通过已知的数据，训练一个模型（拟合一个函数），预测未来的播放量思路分析建立参数未知的函数表达式。

【笔记】李宏毅《逻辑回归》笔记分享

通过这门课，学会了逻辑回归的基础知识、逻辑回归不用均方误差的原因、生成式模型与判别式模型的区别、将二分类问题延伸到了多分类问题、逻辑回归的限制性等知识。

【深度学习】李宏毅2021/2022春深度学习课程笔记 - Deep Learning Task Tips

如下图所示，我们会把原始训练资料分为训练集和验证集，其中假设验证集占原始训练资料的三分之一，那么就可以进行三折交叉验证，根据将原始训练数据分为三个不同的验证集和训练集，可以训练出三个模型，我们最终会选择这三个模型中，在验证集上Loss最小的作为最终模型。还是看上一节课讲的案例，2/26是星期五，按照以往的规律，星期五一般学习Deep Learning的人数都是比较少的，所以模型也认为2/26日播放量应该比较少，然而事实是，2/26反而是播放量最多的一天。尝试不同的模型，对比不同模型下，训练过程的Loss。

李宏毅2022ML第五周课程笔记

李宏毅机器学习第五周—sequence to sequence

李宏毅2022《机器学习/深度学习》——学习笔记（2）

机器学习模型中一般有两类参数：一类需要从数据中学习和估计得到，称为模型参数（Parameter）—即模型本身的参数。还有一类则是机器学习算法中的调优参数（tuning parameters），需要人为设定，称为超参数（Hyperparameter）。这里引入了新的概念 batch，将总的训练集随机划分成一个个 batch，用每一个 batch 计算一个 Loss，计算梯度，更新一次。激活函数可以嵌套，把上一层激活函数的结果作为下一层激活函数的输入，这样函数的未知参数就会更多了，模型也更加复杂。

李宏毅2022《机器学习/深度学习》——学习笔记（1）

hyperparameters：机器学习中自己设定的参数，比如学习速率。weight: w（权重：与 feature 相乘的）如下所示是一个简单的 Model。优化下面函数，获得较好的参数值。模型就是带有未知参数的函数。bias: b（偏置）

李宏毅《机器学习2022》笔记

李宏毅《机器学习2022spring》笔记

2022李宏毅机器学习深度学习学习笔记--第一周

机器学习的基本概念： 机器学习（Machine learning）：即让机器具备找函式的能力。 不同的函式类别： Regression：函式输出结果为数值 Classification：从设定的选项中选出一个类别当做输出 Structured learning 那么机器如何找一个函式？ 步骤1.写出一个带有未知参数的函式。 步骤2.定义一个loss（一个function，L(b,w),输入为b,w; 输出未知参数的值好不好）。 例如： 步骤3.Optimization（最佳化的问题，找w,b

机器学习笔记（李宏毅2022）-机器学习基本概念

设计一个机器学习模型的步骤

【李宏毅ML笔记】19 CNN

CNN常被用于影像处理上，也可以用一般的Network来处理影像。输入为图像转换而来的pixcel，输出可能为1000个类别，每一个neuro可以看做是一个classifier，层层进一步的判断当前是否是某种线条，纹理，图像片段等等，来做识别。问题：当使用fully connected Network时，总会需要太多的参数。如100*100，彩色图像会有100*100*3个维度的图像，假设第一层h...

AT89C51通过ULN2003驱动步进电机proteus仿真源文件（含C程序源码）

有五个按键，分别控制布进电机的正传，停止，反转，加速，减速，步进点击的运行状态在12864显示，步进电机由ULN2003驱动