章节大纲
-
-
学生必须标记完成
下载作业文件 Transformer.pdf ，将答案按题号顺序,写在A4纸里，写上学号姓名。5月21号前，学委收集好交到工二413。
禁止抄袭，若发现将会严重影响课程成绩。
-
-
学生必须标记完成
下载作业文件”ps4.pdf“，将答案按题号顺序 写在A4纸里，写上学号姓名。4月16号前，学委收集好交到工二413。
禁止抄袭，若发现将会严重影响课程成绩。
注意：卷积的计算公式中，padding是要乘2的，也就是在图像的左右上下加padding
-
学生必须标记完成
抱歉各位同学，由于我的疏忽，第三次作业3,4两道题有些问题，现在将修改后的作业上传，同学们下载下来做就好
还是按顺序写在A4纸上，学委收好之后周五前交到工二413
禁止抄袭，否则取消成绩
-
-
学生必须标记完成
补充评分说明：对于截图中字太小以至于用27寸大屏都要贴上去才能勉强看见的作业，都扣5分卷面分以告慰我发胀的眼睛和想yue的大脑。
下载作业文件后命名为“学号_姓名_ps1”，（建议用Jupyter Notebook）完成代码并运行。将代码及运行结果全部截图后按题号顺序放在一个word或pdf文档里提交，首张截图需包含带有学号姓名的文件名。禁止抄袭和直接复制粘贴。
-
-
-
- 1.1 机器学习概念的引出
- 1.2 机器学习的发展历史
- 1.3 机器学习与人工智能
- 1.4 为什么要深度学习？
-
学生必须标记完成
该视频主要讲述了机器学习的定义和基本流程，以及如何从简单的线性分类器演变为深度学习的分类器。视频还介绍了深度学习的定义、特点、来历、应用领域和模型框架。深度学习是机器学习的分支，是实现机器学习的一种重要技术手段，其模型结构一般是含有多个隐藏层的多层神经网络。视频强调了深度学习的基础知识的重要性，包括数据集的拆分、模型的性能评价等内容。
-
-
学生必须标记完成
-
本讲ppt
-
-
- 2.1 深度学习的硬件计算环境
- 2.2 深度学习的软件计算环境
- 2.3 数据集
- 2.3 补充1：模型评估
- 2.3 补充2：模型选择
- 2.4 机器学习方法的分类
- 2.5 半监督学习
- 2.6 主动学习
- 2.7 元学习
- 2.8 排序学习
-
学生必须标记完成
本视频主要讲述了数据集及其拆分、有监督学习、验证集、机器学习算法和特征提取、模型评估等模块的相关内容。此外，还介绍了埃德康是一个开源的p发行版本，包含了多个科学包及其依赖项，以及最简单的训练集和测试集的拆分方法及流除法的不足之处，k折交叉验证相对于流出法的优势，超参数的概念，以及如何通过网格搜索和k折交叉验证来调整超参数，以优化模型性能。
-
-
- 3.1 什么是特征工程？
- 3.2 自然语言处理中的自动分词、词性标注及句法分析
- 3.3 向量空间模型及文本相似度计算
- 3.4 相似度计算
- 3.5 特征值的缩放及归一化
- 3.6 特征选择
- 3.7 特征降维与升维
-
学生必须标记完成
该视频主要讲述了自然语言处理的基本任务和相关工具。首先介绍了句法分析，即识别句子中各个成分之间的关系。随后介绍了常用的自然语言处理工具，如nltk和text processing API。
-
-
- 4.1 分类与回归问题概述
- 4.2 分类性能度量方法
-
- 4.3 补充：凸优化、拉格朗日乘子法和KKT条件
- 4.3 支持向量机
- 4.4 朴素贝叶斯分类器
-
-
-
-
-
学生必须标记完成
直接在答题区敲入题目代码，代码要能够完整运行并有正确的输出
【评分说明】成绩已出，单道题目分数在12分及以下的均为运行报错的，原本这些题目都判了0分，但看到成绩太过惨不忍睹所以全部都重新又判了一遍，我已尽力。如对成绩有异议请先将自己的代码复制粘贴运行之后再来找我讨论。
-
-
-
-
1.决策树基本流程(决策树生成)
2.划分选择（特征选择）
3.决策树的减枝
-
-
1. adaboost
2. gbdt
3. xgboost
4. bagging
-
-
-
学生必须标记完成
本次ex2实验例程和数据在 “ex2_classification.zip”提供。
实验平台的搭建参考实验1。
目录：
- 实验： 例程和数据
- ex2_report.docx ：实验报告
- ex2_slices.pptx： 实验要求
- codelab相关配置流程.pdf
严禁分享、抄袭代码报告，若发现严重影响抄袭双方的课程成绩
4月2日之前，将报告和代码打包，备注学号+姓名，由学委同一收集并发到助教邮箱 752649416@qq.com，或提供百度网盘链接
-
-
- 6.2 模型优化中的目标函数
- 6.3 模型优化中常用的经验损失函数
- 6.4 用梯度下降法求解目标函数的极值
- 6.5 梯度下降法的学习率
- 6.6 激活函数
- 6.7 梯度消失和梯度爆炸问题
- 6.8 欠拟合、过拟合及其应对方法
-
- 6.5 梯度下降法的学习率
- 6.6 激活函数
- 6.7 梯度消失和梯度爆炸问题
- 6.8 欠拟合、过拟合及其应对方法
-
- 7.1 感知机模型简介
- 7.2 感知机的表达能力：模拟逻辑电路
- 7.3 感知机模型的学习策略
- 7.4 多层感知机与反向传播算法
-
本次ex3实验例程在 “ex3_dnn&cnn.zip”提供，数据集采用cifar10，下载方式见压缩包内的notebook。
目录：
1. mindspore_dnn_cifar10.ipynb dnn实验例程
2. mindspore_cnn_cifar10.ipynb cnn实验例程
3. ex3.pptx 实验要求
实验平台的搭建参考实验1
严禁分享、抄袭代码报告，若发现严重影响抄袭双方的课程成绩
4月19日之前，将报告和代码打包，备注学号+姓名，由学委同一收集并发到助教邮箱 gaoyichang2000@qq.com
-
-
- 9.1 卷积神经网络概述
- 9.2 LeNet-5
- 9.3 AlexNet
- 9.4 VGGNet 卷积神经网络
- 9.5 GoogLeNet 卷积神经网络
-
- 9.6 残差神经网络
- 9.7 利用卷积神经网络进行文本分类
- 13.1 目标检测概况
- 13.2 边缘框实现
- 13.3 锚框
- 13.4 区域卷积神经网络（R-CNNs）
- 13.5 单发多框检测（SSD）
- 13.6 你只看一次（YOLO）
- 13.7 语义分割
-
- 1. RNN
- 2. GRU
- 3. LSTM
-
- PCA、K-means
- LLE
- T-SNE
- CNN explainer
- ZFnet
-
-
-
-
-
•Human knowledge: Local Attention, Big Bird•Clustering: Reformer•Learnable Pattern: Sinkforn•Representative key: Linformer•k,q first → v,k first: Linear Transformer, Performer•New framework: Synthesizer
-
-
-
-
- Auto-encoder
- VAE
- GAN
-
- Diffusion Model
- Stable Diffusion
-
-
学生必须标记完成
大家把自己名字写到对应分组，尽量避免小组超出最多人数。
-
-
-
-
-
-
-
-
-
-
考试时间 预计6月11日上课时间
考试时长 1小时30分钟
大致分值分布：
1.客观题15分：numpy题库3题 华为认证题库12题（会改成填空题）https://talent.shixizhi.huawei.com/iexam/1365189427395223554/examInfo?examId=1592050502435512939&sxz-lang=zh_CN
2.传统机器学习25分 模型评估、朴素贝叶斯、SVM、集成学习、PCA、K-Means
3.DNNCNN 20分
4.RNN 20分
5. Transformer 20分
总计100分，其中考查后3次实验相关题目不少于20分，例如代码补全、搭建经典网络、实验报告中要求的相关操作实现等。