MIT 6.031: Software Construction
发表于|更新于|软件工程
|总字数:19|阅读时长:1分钟|浏览量:
Course About
介绍有关软件工程的问题
Links
(Updating…)
相关推荐
2023-09-22
MIT 6.858
Links 课程主页 课程视频 LEC 1: Introduction, threat models
2023-07-05
Hung-yi Lee ML Lecture 3: Image as input
Convolutional Neural Network(CNN) 卷积神经网络被广泛应用于图像识别领域，是一种带约束的神经网络架构，简化了Fully Connected Network的复杂性，并且对图像识别做了很多特化，另外值得一提的是，谷歌的AlphaGO也使用了卷积神经网络用于接收19*19的围棋棋盘输入，可见CNN的使用范围不仅仅是图像识别，具有相似结构的问题都可以使用CNN的模型进行训练。 深度学习 为何深度学习可以兼有 HW3 CNN
2023-07-05
Hung-yi Lee ML Lecture 2: What to do if my network fails to train
Optimization 局部最小值 local minima 鞍点 saddle point 在多维度笛卡尔空间中，你以为的局部最小值很可能是鞍点，因为多出了很多个维度的方向可以走 batch and momentum 分批次训练的速度和优势比较 动量法改进梯度下降 自动调整学习速率 \sigma与梯度的关系 学习速率与时间的关系 逐渐下降decay 模拟退火warmup loss函数 改变loss函数可以改变地形！(梯度下降中的多变量函数) MSE Cross-entropy等价于极大似然法，运用在向量输出的神经网络中 HW2 Classification
2023-04-26
Hung-yi Lee ML Lecture1: Introduction of Deep Learning
机器学习 机器学习在教授的讲述中被描述为让机器找到一个函数f()，这个函数可以很复杂，但是可以解决许多问题，建立函数原型的过程叫做建立模型，根据函数的好坏进行不断优化的过程叫做训练，这个过程很像人类不断试错找寻更好的解决方案的过程，就像机器在学习一样。 机器学习的一般步骤是 建立模型：建立含有未知参数的函数 定义loss函数L() 优化：找到使L()最小的未知参数，一般使用梯度下降法 一般来说，使用类神经网络建立函数模型，通过叠加神经网络的层数，来达到更高的测试正确率，这样的方法被称为深度学习，深度学习是机器学习中使用最广泛也最重要的方法之一。 过拟合Overfitting指的是，训练出的模型在训练资料上表现好而在测试集上表现不好。 PyTorch PyTorch是专门用于机器学习的Python库，封装了数据读取、神经网络、激活函数、微分计算梯度下降等机器学习中常用的操作和对象，是广泛使用的机器学习框架。另外，PyTorch还可以使用GPU的并行计算加速Tensor的计算，使训练效率加快。 Colab Colab是谷歌名下类似于jupyter的网页Pyth...
2023-04-26
Hung-yi Lee Machine Learning
Course About 介绍有关机器学习的问题。 Links 课程主页
2023-04-25
Python
Introduction Python是一种面向对象的编程语言，不同于C和C++，它是一种解释型语言。 包管理工具Anaconda Anaconda可以根据需要构建不同的python环境，管理python包，构建独立的python内核 jupyter Jupyter Notebook（此前被称为 IPython notebook）是一个交互式笔记本，支持运行 40 多种编程语言。 正则表达式 在线匹配 支持普通字符 元字符 \d 匹配一个数字(0-9) \w 匹配数字、字母、下划线(0-9, a-z, A-Z, _) \W``\D 上述的取反，除了数字字母下划线以外的内容 [abc] 匹配a或b或c [^abc] 取反 . 除了换行符以外 量词控制元字符数量 + 前面元字符出现1次或多次 * 前面元字符出现0次或多次（尽可能多地贪婪匹配） ? 前面元字符出现0次或1次 惰性匹配 a.*b 最长的axxxxxb，贪婪匹配 a.*?b 最短的axxxxxb，懒惰匹配 可以用于爬取<div>xxx...
公告
🚧施工中...