Report第七周學(xué)習(xí)工作匯報匯報人：ssss日期：2024年10月22日CONTENTS1.近期學(xué)習(xí)工作匯報Recentstudyandworkreport2.遇到的問題與困難Problemsanddifficultiesencountered3.下周計劃和安排PlanandschedulenextweekPART01近期學(xué)習(xí)工作匯報1.機器學(xué)習(xí)問題分類近期學(xué)習(xí)工作匯報Recentstudyandworkreport常見的機器學(xué)習(xí)問題分類包括監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)。具體的相關(guān)應(yīng)用如右圖所示：結(jié)論：不同的學(xué)習(xí)方式適用于不同的問題類型，選擇合適的學(xué)習(xí)方式是解決問題的關(guān)鍵。理解機器學(xué)習(xí)問題分類的理論有助于我們更好地選擇和應(yīng)用學(xué)習(xí)方式，但更重要的是結(jié)合實際問題靈活變通，不斷探索和創(chuàng)新。近期學(xué)習(xí)工作匯報Recentstudyandworkreport2.線性回歸尋求w,b最優(yōu)解：1.最小二乘法：最小二乘法，f（x）分別對w，b求偏導(dǎo)，其設(shè)為零來解析地找到最優(yōu)解，如下所示：2.梯度下降：通過迭代更新w,b參數(shù)，求出損失函數(shù)去最小值的最優(yōu)解，公式如下所示：近期學(xué)習(xí)工作匯報Recentstudyandworkreport3.邏輯回歸Sigmoid函數(shù)的定義Sigmoid函數(shù)，也稱為logistic函數(shù)，是邏輯回歸模型中用于將實數(shù)映射到(0,1)范圍內(nèi)的激活函數(shù)。其特點是輸出值平滑且連續(xù)，并且具有一個“S”形的曲線。在神經(jīng)網(wǎng)絡(luò)中，Sigmoid函數(shù)同樣被用作非線性激活函數(shù)，引入非線性因素，使得神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)并表達復(fù)雜的輸入與輸出之間的關(guān)系。Sigmoid函數(shù)的公式Sigmoid函數(shù)的公式為：f(x)=1/(1+exp(-x))，這個公式描述了Sigmoid函數(shù)如何將實數(shù)映射到(0,1)范圍內(nèi)。Sigmoid函數(shù)在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用Sigmod激活函數(shù)Sigmoid函數(shù)是一種S形的數(shù)學(xué)函數(shù)，常用于將實數(shù)值映射到(0,1)區(qū)間，適用于二分類問題中的概率預(yù)測。Tanh激活函數(shù)tanh（雙曲正切）函數(shù)是一種S形的激活函數(shù)，能夠?qū)⑤斎胫祲嚎s到(-1,1)區(qū)間，增強模型的非線性特性。Relu激活函數(shù)ReLU函數(shù)是一種常用的激活函數(shù)，能夠?qū)⑺胸?fù)值輸入轉(zhuǎn)換為0，而正值輸入保持不變，有助于神經(jīng)網(wǎng)絡(luò)模型的非線性表達能力。近期學(xué)習(xí)工作匯報Recentstudyandworkreport產(chǎn)生的原因（1）模型復(fù)雜度過低。（2）特征量過少。（3）訓(xùn)練的數(shù)據(jù)集數(shù)量太少解決的方法（1）增加模型的復(fù)雜度，比如使用更深層次的神經(jīng)網(wǎng)絡(luò)或更復(fù)雜的模型架構(gòu)（2）收集更多相關(guān)特征，或者使用特征工程來創(chuàng)造更有意義的新特征（3）增加訓(xùn)練數(shù)據(jù)量，尤其是高質(zhì)量的數(shù)據(jù)產(chǎn)生的原因（1）訓(xùn)練數(shù)據(jù)中噪音干擾過大（2）模型不合理，或假設(shè)成立的條件與實際不符（3）特征維度/參數(shù)太多，導(dǎo)致模型復(fù)雜度太高緩解的方法（1）降低模型復(fù)雜度；在神經(jīng)網(wǎng)絡(luò)全連接之前使用dropout，使得部分神經(jīng)元失活（2）對數(shù)據(jù)進行正則化處理，將權(quán)值的大小作為懲罰項加入到損失函數(shù)里。過擬合（Overfitting）和欠擬合（Underfitting）是機器學(xué)習(xí)和統(tǒng)計建模中常見的兩個問題，它們描述了模型在訓(xùn)練數(shù)據(jù)和新數(shù)據(jù)上的表現(xiàn)情況。近期學(xué)習(xí)工作匯報RecentstudyandworkreportPART02遇到的問題與困難Problemsanddifficultiesencountered實踐機會有限缺乏實際項目：理論知識需要通過實踐來鞏固，但前期學(xué)習(xí)缺乏實際項目的經(jīng)驗。數(shù)據(jù)獲取困難：實際項目中需要大量數(shù)據(jù)，但獲取高質(zhì)量的數(shù)據(jù)可能有難度調(diào)試和優(yōu)化困難模型調(diào)試：模型訓(xùn)練過程中可能會遇到各種問題，如過擬合、欠擬合、收斂慢等。性能優(yōu)化：如何選擇合適的超參數(shù)、優(yōu)化算法等，以提高模型性能。缺乏系統(tǒng)性學(xué)習(xí)路徑初學(xué)者可能不知道從哪里開始，如何系統(tǒng)地學(xué)習(xí)機器學(xué)習(xí)；互聯(lián)網(wǎng)上有大量的學(xué)習(xí)資源，但質(zhì)量參差不齊，選擇合適的資源也是一個挑戰(zhàn)?；A(chǔ)知識不足機器學(xué)習(xí)涉及線性代數(shù)、概率論、統(tǒng)計學(xué)和微積分等數(shù)學(xué)知識，理解機器學(xué)習(xí)算法會比較困難。遇到的問題與困難Problemsanddifficultiesencountered1.機器學(xué)習(xí)方面專業(yè)術(shù)語和技術(shù)詞匯算法和模型復(fù)雜性理解實驗設(shè)計數(shù)據(jù)分析英文閱讀能力很多科研論文都會詳細(xì)介紹實驗設(shè)計和數(shù)據(jù)分析方法。如果沒有足夠的統(tǒng)計學(xué)和實驗設(shè)計知識，這部分內(nèi)容可能會非常難以理解。對于非英語母語者來說，理解專業(yè)文獻中的長難句、專業(yè)術(shù)語和縮寫具有很大的難度。在閱讀時會也遇到熟詞生義的情況醫(yī)學(xué)圖像處理是一個高度專業(yè)化領(lǐng)域，涉及大量的醫(yī)學(xué)術(shù)語以及計算機科學(xué)和數(shù)學(xué)的專業(yè)詞匯。醫(yī)學(xué)圖像處理往往涉及到復(fù)雜的算法和模型，如深度學(xué)習(xí)、機器學(xué)習(xí)等高級技術(shù)的應(yīng)用。遇到的問題與困難Problemsanddifficultiesencountered2.論文閱讀方面PART03下周計劃和安排Planandschedulenextweek加強數(shù)學(xué)知識學(xué)習(xí)學(xué)習(xí)一些涉及到機器學(xué)習(xí)、深度學(xué)習(xí)方面的線性代數(shù)與概率論的相關(guān)知識項目實戰(zhàn)學(xué)習(xí)在B站以及其他的學(xué)習(xí)網(wǎng)站上，學(xué)習(xí)一些經(jīng)典的項目實例，進行簡單的項目實現(xiàn)繼續(xù)學(xué)習(xí)機器學(xué)習(xí)1.了解一些分類問題的相關(guān)知識，學(xué)習(xí)相關(guān)算法2.了解聚類方面的知識，學(xué)習(xí)經(jīng)典的聚類算法閱讀相關(guān)文獻嘗試去閱讀AlexNet的英文文獻，對部分內(nèi)容進行概括總結(jié)了解經(jīng)典的神經(jīng)網(wǎng)絡(luò)1.了解LeNet的網(wǎng)絡(luò)結(jié)構(gòu)與特點2.學(xué)習(xí)AlexNet網(wǎng)絡(luò)的結(jié)構(gòu)與創(chuàng)新點下周計劃和安排Planandschedulenextweek感謝您的觀看Theusercandemonstrateonaprojectororco