Day 6 Pyhton Study

得分函数定义为对数概率密度关于输入的梯度：因为是一个常数（或者说它只和参数有关，和输入的数据无关）。当我们对数据求偏导（梯度）时，对的导数直接等于0为什么不直接叫梯度？继承自传统统计学的 Fisher Score 命名传统；同时也为了与深度学习中"更新网络权重的参数梯度"做严格的功能性区分——得分函数是输出给图像的"修图方向向量"，而参数梯度用于更新网络自身。传统似然模型└── 死磕绝对概率 → 遇到不可积分母 Z_θ → 走进死胡同 ❌│▼朴素得分匹配（2019）

本周复现上周提到的论文3DGA的实验，并且阅读了论文SplattingAvatar。通过SplattingAvatar，补充了对之前的改进的不足，法线插值和重心插值可以得到一个非线性连续场，解决3dga只有重心插值，在三角面片内只有线形关系的问题。在之前也尝试过建立一个非线性连续人体场，缺乏理论指导，SplattingAvatar提供了思路。

小明背下了所有练习题的答案，考试遇到新题就不会了 →过拟合小红理解了解题思路，遇到新题也能做对 →泛化能力强✅。

摘要：神经网络通过多层结构逐层提取特征，最终输出归一化概率。深度神经网络通过增加层数提取更复杂特征，但需防止过拟合。模型训练关键在于参数优化：随机初始化参数后，通过计算误差并梯度下降迭代调整参数。误差函数的设计至关重要，直接影响模型性能。训练过程需要大量计算，逐步减小误差直至收敛。实际应用中需根据误差变化动态调整步长，以获得最优模型。整个训练过程体现了机器学习从数据中自动学习规律的核心思想。（149字）

摘要：本文讨论了机器学习模型误差计算与参数调整的关键概念。通过概率分析（如0.91正确率对应0.0943误差）指出需关注预测置信度而不仅是准确率。重点阐释了总误差计算方法（6万张图片误差累加）及梯度下降原理，包括如何通过ln函数优化误差计算、15万字符的多语言输出场景处理，以及1.8万亿参数模型的超大规模梯度下降实现。同时解释了非线性变换（如将像素值二值化）对模型拟合能力的提升作用，强调每个训练步骤都需全局调整所有参数，体现现代大模型训练的核心机制。（149字）

模块功能LSTM 预判预警分析历史通量/应力序列，预测未来失稳风险（如裂纹萌生）Speed-Gated 自愈实时监测通量变化率（速度），当超过阈值时自动增强修复强度双重触发机制满足任一条件（预判高风险 或 实际失稳）即启动自愈动态调节自愈强度随风险等级与速度同步变化。

在 Sculley 等人于 2015 年发表的一篇著名论文《机器学习系统中的隐藏技术债务》中，作者指出，在真实世界的机器学习系统中，真正的机器学习代码只占很小一部分；而支撑系统持续演进的基础设施和流程，则要庞大得多。论文还讨论了这类系统中可能累积的多种技术债务来源，包括数据依赖、模型复杂性、可复现性、测试、监控，以及对外部环境变化的响应能力等。传统软件系统同样会面临许多类似问题。持续交付正是通过自动化、质量保障和工程规范，建立一套可靠、可重复的软件发布流程，使软件能够安全地交付到生产环境。

数值特征：标准化/归一化是基础，对数变换处理偏态类别特征：低基数用 One-Hot，高基数用目标编码时间特征：周期编码（sin/cos）比直接用数值更好特征选择：先过滤（快速），再包装（精确），最后嵌入（模型驱动）Pipeline：把所有步骤封装为可复现的流水线。

给定样本集Xxii1nXxi​i1n​、锚点集Yyjj1mYyj​j1m​,二部图BXYEBBXYEB的关联矩阵B∈Rn×mB∈Rn×m,其中bijb_{ij}bij​表示样本与锚点的相似度。则二部图的邻接矩阵为W0BBT01W0BT​B0​1对应的拉普拉斯矩阵为LWDW−WLW​DW​−W,其中DWDW​为度矩阵,DW。

本文总结了机器学习课程第二周第2部分（第21-30课）的核心内容，重点讲解了多元线性回归及其优化方法。课程首先介绍了多特征线性回归的数学表达，说明了如何从单变量扩展到多变量场景。然后详细讲解了向量化技术的重要性，强调其能显著提升计算效率。针对多元回归的梯度下降算法，文章阐述了参数更新规则和向量化实现方法。特别强调了特征缩放的必要性，介绍了最大最小归一化和Z-score标准化两种预处理技术。最后讨论了判断梯度下降收敛的方法和学习率选择的关键要点，指出学习率过大或过小对模型训练的影响。这些概念为后续更复杂的机器

本文系统对比了四种主流功率半导体器件（SiMOSFET、IGBT、SiCMOSFET、GaNHEMT）的技术特性与应用场景。从基础概念入手，分析了禁带宽度对器件性能的影响，区分了单极与双极器件导电机制差异。通过工作原理阐释和参数对比表，详细比较了四类器件在耐压范围、开关速度、导通特性等方面的差异。重点解析了各器件的优劣势：硅器件成熟低价但性能受限，SiC器件适合高压高温场景，GaN擅长高频应用但耐压不足。最后提出选型决策树，指出不同应用场景的最优选择，并展望了宽禁带半导体的发展趋势。

2. 为什么神经网络需要多个输入？ 为了处理多个特征。例如预测房价：结合面积、卧室数、地段等多个因素，比只看面积准确得多。随机（通常是很小的随机数）。事先设定的超参数，不能直接知道设大还是设小合适。通常做法：从常见值开始试（如0.01或0.001），观察loss变化：有些问题太复杂，一层（输入→输出）学不会。每个隐藏层的神经元，把上一层的多个输出加权求和再激活 → 相当于把小特征拼成更大的特征。以识别手写数字为例：单个神经元识别的特征通常很难直接理解，往往需要多个神经元的输出组合，才能形成人类能理解的特征（

基于贝叶斯超参搜索、机器学习代理建模、多目标MOPSO寻优与SHAP分析的锂电池工艺参数协同优化，Python完整代码

这篇文章摘要如下： 本文介绍了一种基于DNN的简单图像生成方法，用于生成MNIST数字图像。模型接收标签和随机噪声作为输入，通过嵌入层、全连接层和转置卷积层生成图像。文章详细阐述了模型架构设计思路，包括标签嵌入、潜在向量拼接等关键步骤，并提供了完整的PyTorch实现代码。模型训练采用MSE损失函数，通过可视化结果展示了生成效果。虽然DNN方法存在明显缺陷，但该实现为理解生成式模型提供了基础框架，演示了从条件输入到图像生成的基本流程。代码包含数据加载、网络定义、训练循环和结果可视化等完整模块。

本项目面向电子邮件内容安全场景，设计并实现了一套基于朴素贝叶斯算法的垃圾邮件检测系统。系统以中文邮件主题和正文作为分析对象，将二者合并后通过字符级 TF-IDF 方法完成文本向量化，再利用多项式朴素贝叶斯分类器判断邮件属于正常邮件（ham）还是垃圾邮件（spam）。项目采用离线训练与在线预测相分离的设计：训练端使用 Jupyter Notebook 完成数据读取、文本清洗、特征提取、模型训练和效果评估，并将完整分类流水线持久化为 Joblib 模型文件；应用端基于 Flask 搭建 Web 服务。

KNN 是一种基于记忆的监督学习算法。它不显式训练模型，而是直接记住所有训练数据。 对新样本做预测时，算法会：欧氏距离公式（两个 n 维向量 AAA 和 BBB）：d(A,B)=∑i=1n(ai−bi)2d(A,B) = \sqrt{\sum_{i=1}^{n} (a_i - b_i)^2}d(A,B)=i=1∑n​(ai​−bi​)2​ 二、线性回归 —— 最简单的“直线拟合” 2.1 核心思想 线性回归假设目标变量与特征之间存在线性关系，即输出是输入的加权和。 它通过最小化预测值与真实值的误差平方和来找

K-Means 是一种无监督迭代式的聚类算法：给定数据集与预设簇数K，算法把样本划分为K个不相交的簇，使得同一簇内样本尽可能相似，不同簇间样本尽可能远离。核心思想：> “让簇内‘抱团’，让簇间‘疏远’。

本文介绍了一个基于Python的招聘市场分析项目，通过自动化采集广东地区6万条计算机岗位数据，构建了从数据采集、清洗、存储到多维度分析与可视化展示的完整流程。项目亮点包括：1）使用Selenium解决动态页面爬取难题；2）针对复杂薪资字段设计标准化清洗方案；3）通过MySQL中间表实现高效指标计算；4）发现深圳薪资最高、本科为招聘主力、算法/芯片岗位薪资突出等市场特征；5）开发了Pyecharts交互图表和Flask动态大屏两种可视化方案。项目可作为数据分析全流程实践案例，后续可扩展多平台数据整合、时间趋势

本文介绍了机器学习中的二元分类任务及其核心概念，重点讲解了逻辑回归算法的原理与实现。文章首先阐述了二元分类的定义和应用场景，然后详细分析了逻辑回归的数学原理，包括Sigmoid函数、损失函数和成本函数的推导。在算法实现部分，解释了梯度下降优化过程及其向量化实现，通过对比实验展示了向量化技术的效率优势。最后提供了完整的Python代码实现，包括参数初始化、正向传播、反向传播、梯度下降优化和预测函数等关键环节。全文系统性地介绍了从理论到实践的二元分类解决方案。