文章目录一、概述二、重点内容三、思维导图四、重点知识笔记1.概述1.1基本概念1.2机器学习的分类2.常见有监督学习算法2.1线性回归2.2多项式回归2.3支持向量机2.4k-最近邻分类2.5朴素贝叶斯2.6决策树2.7集成学习算法—Bagging算法、随机森林算法与Boosting算法3.常见无监督学习算法3.1k-均值聚类算法4.深度学习5.强化学习一、概述学习能力是智能的重要标志之一。机器学习是人工智能的核心研究课题之一。为方便记忆和回顾，根据个人学习，总结人工智能基础知识和思维导图形成系列。二、重点内容机器学习的基本概念机器学习的过程和分类常见有监督学习算法(回归、分类)常见无监督学习
文章目录一、概述二、重点内容三、思维导图四、重点知识笔记1.概述1.1基本概念1.2机器学习的分类2.常见有监督学习算法2.1线性回归2.2多项式回归2.3支持向量机2.4k-最近邻分类2.5朴素贝叶斯2.6决策树2.7集成学习算法—Bagging算法、随机森林算法与Boosting算法3.常见无监督学习算法3.1k-均值聚类算法4.深度学习5.强化学习一、概述学习能力是智能的重要标志之一。机器学习是人工智能的核心研究课题之一。为方便记忆和回顾，根据个人学习，总结人工智能基础知识和思维导图形成系列。二、重点内容机器学习的基本概念机器学习的过程和分类常见有监督学习算法(回归、分类)常见无监督学习
文章目录论文信息摘要主要贡献聚类驱动的图联邦学习问题定义联邦聚类聚类模型聚类模型的联系FedCG框架论文信息Cluster-drivenGraphFederatedLearningoverMultipleDomains原文链接：Cluster-drivenGraphFederatedLearningoverMultipleDomains：https://openaccess.thecvf.com/content/CVPR2021W/LLID/papers/Caldarola_Cluster-Driven_Graph_Federated_Learning_Over_Multiple_Domain
文章目录前言一、VivaLearning概述二、VivaLearning主要功能三、部署计划
每日一诗：题竹（十三岁应试作于楚王孙园亭）——明*张居正绿遍潇湘外，疏林玉露寒。凤毛丛劲节，只上尽头竿。近期在阅读联邦学习领域相关文献，简单介绍如下文。本文仅供学习，无其它用途。如有错误，敬请批评指正！一、联邦学习（FederatedLearning，FL）：举目四望皆”联邦“，“信息孤岛”尽凉凉1.通俗理解：传统的机器学习算法需要用户将源数据上传到高算力的云服务器上集中训练，这种方式导致了数据流向的不可控和敏感数据泄露问题，联邦学习联邦学习能够在多方数据源聚合的场景下协同训练全局最优模型，将机器学习的数据存储和模型训练阶段转移至本地用户，仅与中心服务器交互模型更新的方式有效保障了用户的隐私安
引言：北京时间：2023/3/12/21:30，周末摆烂两天，该，刚开完班会回来，CS这个游戏真的很快乐，特别是玩狙，CS给我的快乐，大部分都是来自狙，而且是瞬狙，就是那种狙不中，但是有时候又能狙中的感觉，并且最爽的是，跟别人对狙的时候，因为我们是瞬狙，开完镜就躲，那种别人打不到我们的感觉，但是我们却有一定的概率可以打中他的感觉，真的特别爽；但是有时候也很搞笑，就是当敌人就在你脸上的时候……，OK，快乐时间结束了，咱们得干正经事了，下个周末相信我，不再摆烂，哈哈哈！相信我好吧！所以接下来，我们就继续深入STL的学习，看一下list的实现和一些有关list的小知识。list的实现首先STL中li
引言：北京时间：2023/3/12/21:30，周末摆烂两天，该，刚开完班会回来，CS这个游戏真的很快乐，特别是玩狙，CS给我的快乐，大部分都是来自狙，而且是瞬狙，就是那种狙不中，但是有时候又能狙中的感觉，并且最爽的是，跟别人对狙的时候，因为我们是瞬狙，开完镜就躲，那种别人打不到我们的感觉，但是我们却有一定的概率可以打中他的感觉，真的特别爽；但是有时候也很搞笑，就是当敌人就在你脸上的时候……，OK，快乐时间结束了，咱们得干正经事了，下个周末相信我，不再摆烂，哈哈哈！相信我好吧！所以接下来，我们就继续深入STL的学习，看一下list的实现和一些有关list的小知识。list的实现首先STL中li
引言：北京时间：2023/5/20/7:30，周六，可惜有课，而且还是早八，说明我们现在没有多少的学习时间啦！得抓紧把该博客的引言给写完，我们距离期末考越来越近啦！再过一个星期就要开始停课，然后进行什么实训，目前推测，这个实训估计就是在摆烂中摆烂，不过没有关系，只要课不是那么多就行，这样我们就有很多的时间来写博客啦！并且随着期末考将要来临，在将要考试的那段时间，我们肯定是更新不了博客，因为真的什么都不会，哈哈哈，不想挂科，只能是临阵磨枪，更加烦恼的是，还有无数的课需要去刷，很多的作业需要去交，心累呀！不过无太大所谓，什么都不能阻止我们更新博客，所以该篇博客，我们就来学习一下有关unordere
我一直在尝试使用“深度Q学习”构建一个模型，其中我有大量Action(2908)。在使用标准DQN取得了一些有限的成功之后:(https://www.cs.toronto.edu/~vmnih/docs/dqn.pdf)，我决定做更多的研究，因为我认为Action空间太大而无法进行有效的探索。然后我发现了这篇论文:https://arxiv.org/pdf/1512.07679.pdf他们使用Actor-评论家模型和策略梯度，然后导致我:https://arxiv.org/pdf/1602.01783.pdf他们使用策略梯度来获得比整体DQN更好的结果。我发现一些网站在Keras中实现
我一直在尝试使用“深度Q学习”构建一个模型，其中我有大量Action(2908)。在使用标准DQN取得了一些有限的成功之后:(https://www.cs.toronto.edu/~vmnih/docs/dqn.pdf)，我决定做更多的研究，因为我认为Action空间太大而无法进行有效的探索。然后我发现了这篇论文:https://arxiv.org/pdf/1512.07679.pdf他们使用Actor-评论家模型和策略梯度，然后导致我:https://arxiv.org/pdf/1602.01783.pdf他们使用策略梯度来获得比整体DQN更好的结果。我发现一些网站在Keras中实现
