XDU人工智能学院期末复习资料（自用）

原创 已于 2024-12-20 15:30:41 修改 · 269 阅读 · 0 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
于 2024-12-20 14:43:53 首次发布

《信号线性系统分析》

【免费】XDU信号与线性系统分析自用笔记_信号与线性系统分析第五版笔记资源-CSDN文库

《模式识别》

【免费】西安电子科技大学人工智能学院模式识别课程自用笔记资源-CSDN文库

《认知计算》

【免费】西安电子科技大学人工智能学院人工智能专业大三课程认知计算自用笔记资源-CSDN文库

在上传中，后续会更新

博主才疏学浅，如有错误，恳请谅解。 

整理不易，给个赞赞~

标签
#机器学习 #人工智能
稻米哟
关注
微积分与线性代数在大模型中的作用与地位
2601_96546232的博客 专注数学与电子科学及工程技术分享交流。
08-19 367
这篇文章阐述了从微积分到线性代数的关键跨越，以及线性代数在理解大模型（如Transformer）中的核心作用。作者指出，微积分擅长描述单变量连续变化，而真实世界和大模型涉及多变量、高维空间的复杂交互，这正是线性代数的领域。文章重点解析了向量（代表状态）和矩阵（代表变换）在大模型中的核心应用：向量表征语义、特征和参数；矩阵实现空间变换、注意力匹配和参数优化。作者独创性地将微积分（梯度、海塞矩阵）与线性代数结合，揭示了大模型训练的数学本质——高维向量在矩阵规则下的迭代收敛。最后预告了后续学习路径，强调掌握线性代
从零构建：ESP32S3无线DAP-Link调试器的硬件与软件协同设计
gitlab7runner的博客
02-07 828
本文详细介绍了基于ESP32S3的无线DAP-Link调试器的硬件与软件协同设计，涵盖关键元器件选型、无线通信协议优化、双核任务处理及低功耗调试方案。通过ESP-NOW协议实现低延迟无线调试，结合USB协议栈与双核协同，为嵌入式开发提供高效灵活的调试解决方案。
西电人工智能导论期末复习
m0_74810549的博客
06-16 1082
西电计科人工智能导论大三下期末
从朴素贝叶斯到 Transformer：机器学习十个经典模型的统一坐标系
weixin_45715405的博客
08-19 24
同一份 csv，LightGBM默认参数跑四十秒，验证集 AUC 0.889。我们那边花了三周才做到 0.871：二十几个类别字段各过一层 embedding、和数值特征拼起来、上一个五层 MLP，加 batch norm、加 dropout、warmup 调了四轮。跑出 0.889 的是组里一个实习生，用 pandas 读完 csv 就直接跑了。那 0.018 我认了。真正卡住我的是复盘会上说不清它为什么会发生——线上最终跑的是实习生那四十秒的版本，我那五层 MLP 一天都没上过。
西电研一人工智能复习随笔
热门推荐
天问的博客
01-01 1万+
记：人工智能和先进人工智能写在一起了,懒得分开写 第一章 先说总体框架：人工智能 先给几个概念 Artificial Intelligence (AI)：人工智能就是用人工的方法在机器（计算机）上实现的智能，或称机器智能、计算机智能。 知识：人们通过体验、学习或联想而知晓的对客观世界规律性的认识，包括事实、条件、过程、规则、关系和规律等。 智能：一种应用知识对一定环境或问题进行处理的能力或者进行抽象思考的能力。 需要了解一下 符号主义 连接主义 行为主义 三者的特点和区分：(好家伙,愣是看
人工智能、机器学习和深度学习到底是什么关系？
Michael_Jay的博客
08-18 347
人工智能（AI）、机器学习（ML）和深度学习（DL）是三个层级嵌套的概念：DL⊂ML⊂AI。AI是最广泛的研究领域，关注机器完成智能任务的能力；ML是实现AI的一类方法，通过数据训练模型；DL则是ML的一个分支，使用多层神经网络自动学习特征表示。 具体区别体现在： AI包含规则系统和数据驱动方法，ML专注于从数据中学习规律 传统ML依赖人工特征工程，DL能自动提取多层次特征 DL在图像/语音/文本等非结构化数据上表现突出，但需要更多数据和算力 项目选择应基于任务特性：规则明确用编程，结构化小数据用传统ML（
机器学习复习Day2——逻辑回归
最新发布
2503_94114317的博客
08-22 649
**为什么不用 MSE**：①MSE 在逻辑回归上是**非凸**的（丘陵多坑，梯度下降会卡局部最优），交叉熵是**凸**的（大碗单底，保证全局最优）；②**log 放大惩罚**，错得越离谱罚得越狠、改正越用力。- **损失用交叉熵**：y=1 时 **-log(ŷ)**，y=0 时 **-log(1-ŷ)**，合起来 = **-[y·log(ŷ) + (1-y)·log(1-ŷ)]**。- 逻辑回归是做**分类**的（虽然名字带"回归"，是历史命名问题），输出是 [0,1] 的概率，不是连续值。
深度学习到底是什么？它和机器学习有什么区别？
404 Not Found
08-11 1617
你有没有想过，为什么现在解锁手机只要看一眼、翻译外语拍张照就能出结果、下棋甚至能赢过世界冠军？ 这些事情听起来像科幻，但背后靠的是同一个技术——深度学习。
AI机器学习资源包：学习曲线与核心知识点
2401_84458295的博客
08-19 214
AI机器学习的学习曲线看似陡峭，但只要掌握核心概念，入门其实没那么难。今天分享一份学习包，涵盖从基础到进阶的核心知识点。AI的核心目标是让机器表现出智能行为。从最初的图灵测试到现代的深度学习，AI经历了三次重大浪潮。第二次浪潮引入机器学习，让机器从数据中学习；第三次浪潮则通过深度学习实现了真正的突破，让机器能够自动提取特征并完成复杂任务。机器学习是AI的核心，主要分为三种范式： 1. 监督学习：需要标注数据，擅长分类和回归任务，如图像识别和房价预测。2. 无监督学习：无需标注，擅长发现数据中的隐藏模式。
武汉理工大学&华中科技大学联合 l 机器学习赋能金属增材制造
3D科学谷
08-18 246
未来，随着标准化数据体系、物理信息学习、可解释人工智能、数字孪生、边缘计算和闭环控制持续发展，ML有望推动MAM由依赖经验和离线检验的工艺，逐步转向更可预测、更可靠、更可解释且能够实时调节的智能制造过程。然而，金属增材制造本质上是一个多物理场耦合、快速熔化与凝固并存的非平衡制造过程，激光功率、扫描速度、送粉或送丝速度、层厚及成形环境等因素会通过局部热历史影响凝固组织、相变行为、残余应力和最终性能，形成高度非线性的“工艺—组织—性能”（process–structure–property, PSP）关系；
MLPACK 超完整实战｜C++高性能机器学习、聚类分类、回归预测全能库
踏板鞋的专栏
08-19 252
MLPACK是一款专注于高性能和轻量化的C++机器学习库，由佐治亚理工学院维护。其核心优势包括原生C++实现带来的极致推理速度、极低资源占用、全平台适配以及工业级算法完备性，特别适合嵌入式设备、边缘计算和高性能服务端场景。相比于Python框架，MLPACK无需解释器开销，仅依赖轻量级线性代数库，支持离线训练和本地推理。 本文详细介绍了MLPACK的编译配置方法、基础矩阵操作，并提供了KNN分类、K-Means聚类、线性回归和PCA降维等核心算法的实战代码。同时包含5个可直接商用的生产级Demo，涵盖工业设
机器学习赋能复合材料细观力学：破解多尺度仿真困局｜哈工大Composites Part A综述
y2715163545的博客
08-19 320
引言复合材料凭借高比刚度、高比强度与优异的结构可设计性，广泛应用于航空航天等高端制造领域。但其非均质结构、复杂界面行为与多物理场耦合损伤机制，让传统细观力学建模长期陷入精度与效率的双重困境。传统解析方法理想化假设过多、精度不足，有限元数值仿真精度高但计算成本高昂，难以满足快速材料迭代与工程优化需求。为突破这一瓶颈，机器学习凭借强大的非线性拟合与数据挖掘能力，成为复合材料细观力学研究的全新技术手段。
【机器学习】（43）—— AutoML 上手流程
qq_36245787的博客
08-19 451
AutoML 不能代替数据准备。导入前至少完成下面三类工作。任务说明标签完整每一行训练样本都有标签；缺失标签行应剔除或单独处理清洗与格式去明显错误值、统一单位；日期格式一致自定义变换工具不支持的衍生字段可预先算好再导入若对预测房价一类任务有帮助，而工具没有内置「字符串长度」变换，可以预先加列desc_len再导入。油耗表里，若只有「升/百公里」与「英里/加仑」混用，必须先统一单位，否则搜索只是在噪声上浪费预算。无代码工具的上手路径是：导入 → 分析摘要 → 语义修正 → 配置 → 启动。
从预测到决策：人工智能与机器学习的系统方法、工程闭环与现实边界
m0_73407070的博客
08-17 553
现实中的 AI 从来不是一个孤立模型，而是一套把数据转化为行动、再由行动产生新数据的社会技术系统。机器学习并不会直接从数据中发现“真理”。它是在给定样本、标签、损失函数、模型结构和计算预算后，寻找一个对特定任务有用的统计映射。这个映射是否能在未来成立，取决于数据是否代表部署环境；它是否值得使用，还取决于阈值、成本、人工流程、延迟、安全、公平与责任边界。现实问题 → 数据生成 → 模型学习 → 评价与校准 → 决策规则 → 系统部署 → 反馈、漂移与治理。
人工智能机器学习系统班,人工智能深度学习系统班
2603_96681057的博客
08-22 292
异常值检测方面，3σ原则与四分位距法是常用工具，但业务层面的异常判定往往更为复杂，交易金额的合理范围、传感器读数的物理极限都需要领域知识的介入。类别特征的编码方式直接影响模型对特征的解释能力，高基数的类别特征在独热编码下将导致维度爆炸，目标编码与计数编码提供了有效的替代方案。嵌入式方法则将特征选择融入模型训练过程，L1正则化驱动的稀疏性使部分特征的权重收缩为零，实现了特征选择与模型训练的同步完成。从原始数据到可部署的模型，中间跨越了特征工程、模型训练与调优三大核心阶段，每一阶段都有其关键方法论与避坑指南。
模型不准怎么调？机器学习核心理论与实战全流程
2203_75871132的博客
08-18 306
本文系统介绍了机器学习全流程的核心理论与方法，涵盖三大要素（模型、策略、算法）和完整建模步骤（数据→特征工程→模型训练→评估→部署）。重点讲解了特征工程（选择/转换/构造/降维）、模型评估（过拟合/欠拟合判断）、正则化与交叉验证等技术，并详细解析了线性回归、逻辑回归等基础模型的原理与应用。文章还讨论了机器学习与AI大模型开发的关系，为读者构建了完整的机器学习知识体系框架。
机器学习基本常识
ycx66668888的博客
08-14 968
本文系统介绍了机器学习的三大范式：监督学习、无监督学习和强化学习。监督学习部分重点讲解了分类与回归（含最小二乘法、欠拟合/过拟合）、支持向量机（SVM）、随机森林（特征随机性原理）以及梯度提升树（GBDT与XGBoost对比）；无监督学习解析了聚类（K-Means）和降维（PCA）技术；强化学习则从马尔可夫决策过程、贝尔曼方程等数学模型切入，阐述其通过环境交互实现策略优化的机制，并探讨了探索-利用平衡等核心挑战。文章通过算法原理、应用场景和优缺点分析，构建了机器学习方法论的完整认知框架。
用户分群找不到规律？用K-Means聚类算法自动发现数据模式
2203_75871132的博客
08-20 462
指标全称特点取值范围CH指数簇间离散度/簇内离散度越大越好轮廓系数综合考虑紧密度和分离度[-1, 1]，越大越好DB指数簇内距离/簇间距离越小越好print(f"K=k } : 轮廓系数= {score : .3f } ") best_k = sil_scores . index(max(sil_scores)) + 2 print(f"\n轮廓系数推荐的最佳K值: {k } : 轮廓系数= {
Python 条件判断 if 语句全解：从零基础到机器学习数据清洗实战
qq_40884337的博客
08-20 177
本文系统讲解Python条件判断语句，涵盖核心语法和机器学习应用场景。主要内容包括： 条件语句原理：基于布尔值决定代码执行路径 基础语法结构： 单分支if（条件满足执行） 双分支if-else（二选一） 多分支if-elif-else（多条件筛选） 嵌套if（复杂逻辑判断） 实用技巧：三目运算符简化代码 常见错误：缩进、冒号、赋值判断混淆等 机器学习应用：数据清洗、样本分类、模型控制等场景的综合案例 文章通过具体代码示例，演示了条件判断在数据预处理中的实际应用，如样本筛选、数据有效性验证等，适合编程初学者
人工智能、机器学习、深度学习三者的关系是什么？
2301_80934700的博客
08-18 229
人工智能（AI）目标是让机器拥有类似人类的智能。机器学习（ML）机器学习（Machine Learning）是人工智能的核心实现方式。它通过数据训练模型，让机器自动学习规律，而不是依赖人工编写规则。机器学习的常见方法包含：线性回归 / 逻辑回归、决策树 & 随机森林、支持向量机（SVM）等。​ 机器学习，是AI算法中很重要的一类，它属于 AI算法 中的内容。​AI算法，是用来实现人工智能的，而机器学习，是AI算法中的一种，可以用来实现人工智能深度学习（DL）是机器学习的一个重要分支。是一种。
NeRF-Pytorch（训练自己的数据集过程全记录+环境配置+COLMAP+问题解决）
m0_62577716的博客
01-26 1740
写于2025/1/26，在用NeRF训练自己的数据集过程中该踩的坑都踩过了，发现网上并没有详细完整写这些问题解决过程的帖子，遂自己进行一个全记录和复盘。 整篇文章包括：NeRF训练环境配置；COLMAP三维重建过程（直接给出代码，规避一些bug）；在训练时候出现的问题。 本篇文章仅针对llff格式数据集。
SX1280-STM32F1测距主从机_stm32f1控制sx1280测距_sx1280测距_SX1280_sx1280测距_S
stm32f1驱动sx1280进行测距，通过oled或串口打印输出距离
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值