摘要：
机器学习核心概念笔记：偏差、方差、噪声、置信度 在机器学习模型训练与评估中，偏差、方差、噪声、置信度是四个贯穿始终的核心概念——它们直接决定了模型的拟合效果、泛化能力和预测可靠性，也是排查模型问题（如欠拟合、过拟合）、解读预测结果的关键。本文将以“严谨定义+通俗类比+实际场景”的方式，逐一拆解这四个 阅读全文
posted @ 2026-02-20 20:56 steve.z 阅读(2) 评论(0) 推荐(0)
摘要：
深度学习中正则化与L2正则化详解 在深度学习模型训练过程中，我们常常会遇到"过拟合"问题——模型在训练数据上表现极佳，却在未见过的测试数据上效果糟糕，无法很好地泛化。而正则化，就是解决过拟合的核心技术之一，它通过对模型参数施加约束，降低模型复杂度，引导模型学习数据的本质规律而非噪声。本文将详细讲解正 阅读全文
posted @ 2026-02-20 16:49 steve.z 阅读(3) 评论(0) 推荐(0)
摘要：
什么是贝叶斯误差？ 本文为机器学习核心概念笔记，清晰界定贝叶斯误差的定义、本质、与其他误差的边界，以及工程实践意义，适合作为技术博客存档与快速查阅。 一、核心定义 贝叶斯误差（Bayes Error，又称贝叶斯错误率），是监督学习任务中理论上可达到的最小不可约误差，是由数据本身的固有随机性（不可消除 阅读全文
posted @ 2026-02-20 12:08 steve.z 阅读(1) 评论(0) 推荐(0)
摘要：
模型参数与超参数的核心区别与详解 前言 参数与超参数是深度学习最基础也最核心的两个概念，很多入门学习者极易混淆二者的边界，而对它们的正确理解、合理使用，直接决定了模型训练的效果、结果可复现性与工程落地能力。本文将系统拆解二者的定义、核心特性、典型示例，以及工程实践中的关键要点，帮你彻底厘清这两个核心 阅读全文
posted @ 2026-02-20 09:59 steve.z 阅读(1) 评论(0) 推荐(0)
摘要：
深度学习基础：反向传播与梯度 本文整理了深度学习中两个核心概念——反向传播与梯度——的原理与直觉理解。 一、反向传播（Backpropagation） 是什么？ 反向传播是训练神经网络的核心算法，用于计算损失函数对每个参数（权重）的梯度，从而指导参数更新。 为什么需要它？ 神经网络的目标是找到一组参 阅读全文
posted @ 2026-02-18 11:58 steve.z 阅读(8) 评论(0) 推荐(0)
摘要：
深度学习中的激活函数：必要性、Sigmoid与Tanh对比及选择指南 在深度学习中，激活函数是神经网络的核心组件之一。它不仅决定了神经元的输出，更直接影响了网络的表达能力与训练效果。本文将从三个核心问题出发，全面解析激活函数的作用，并详细对比经典的 Sigmoid 和 Tanh 函数，帮助你在实际应 阅读全文
posted @ 2026-02-17 17:26 steve.z 阅读(9) 评论(0) 推荐(0)
摘要：
每篇文献写出四个东西 1、解决什么问题？ 2、核心创新是什么？ 3、为什么有效？ 4、对我有什么可迁移价值？ 阅读全文
posted @ 2026-02-15 21:10 steve.z 阅读(2) 评论(0) 推荐(0)
摘要：
GoogLeNet (Inception) 论文解析与代码复现指南 一、核心思想 这篇论文提出了Inception架构（GoogLeNet），核心创新在于： 1. 设计动机 问题：简单增加网络深度和宽度会导致参数激增，容易过拟合且计算量大 解决方案：用稀疏连接的思想，但用密集计算组件来近似实现 2. 阅读全文
posted @ 2026-02-15 09:07 steve.z 阅读(4) 评论(0) 推荐(0)
摘要：
独立同分布(i.i.d.) 引言 独立同分布（Independent and Identically Distributed，简称i.i.d.）是概率论与数理统计体系中最基础、最核心的假设之一，也是机器学习、数据分析、信号处理等领域的底层逻辑基石。无论是经典的参数估计、假设检验，还是深度学习模型的泛 阅读全文
posted @ 2026-02-14 15:48 steve.z 阅读(4) 评论(0) 推荐(0)
摘要：
极大似然估计（MLE） 一、引言 在统计学、机器学习与数据建模领域，我们经常会遇到这样的核心问题：已经采集到一组样本数据，且已知数据服从某一类概率分布，但分布的关键参数未知，如何通过已有的样本，反推出最合理的参数值？ 极大似然估计就是解决这类问题最经典、最常用的方法之一，它广泛应用于线性回归、逻辑回 阅读全文
posted @ 2026-02-14 15:39 steve.z 阅读(12) 评论(0) 推荐(0)
浙公网安备 33010602011771号