2024.12.6

机器学习实验总结

实验总结

【可以写对TensorFlow或pytorch的学习】

机器学习上机实验主要涉及了多种机器学习算法的实现与评估，通过使用Python及常用的机器学习库（如scikit-learn），我学习了如何加载和处理数据集、训练不同的模型、评估模型性能，并对模型进行了优化和调优。在这些实验中，我深入理解了各种算法的基本原理和工作机制，并应用五折交叉验证、训练集与测试集划分等技术评估模型的泛化能力。

在完成上述实验之后，我开始学习了深度学习框架TensorFlow和PyTorch，并对其进行了初步的了解。以下是我的一些学习心得：

1. TensorFlow：

• o TensorFlow是一个开源的深度学习框架，广泛应用于生产环境中。它支持多种计算平台，并且能够通过TensorFlow扩展库（如Keras）实现快速的模型训练与调优。
• o 在学习TensorFlow时，我了解了其低级API（用于自定义计算图）和高级API（如Keras，用于快速构建神经网络模型）。通过tf.keras模块，我能够轻松实现深度神经网络的训练与评估。

1. PyTorch：

• o PyTorch是另一种常用的深度学习框架，其动态计算图和易于调试的特性使其在学术界受到广泛青睐。PyTorch的“即刻执行模式”使得代码更加灵活，适合快速原型开发。
• o 在学习PyTorch时，我主要通过编写简单的神经网络模型和训练循环，理解了神经网络的训练过程。PyTorch的torch.nn模块为构建深度神经网络提供了丰富的工具。

通过上机实验，我深入理解了多种机器学习算法的原理和实现方法，并掌握了数据预处理、模型训练、性能评估等机器学习的核心技术。在实验过程中，我逐渐加深了对训练集、测试集、交叉验证和模型评估标准的理解。此外，通过学习TensorFlow和PyTorch，我对深度学习的基本概念和框架有了更深入的认识，并为将来进一步研究和应用深度学习打下了基础。