Edited, memorised or added to reading queue

on 20-Nov-2023 (Mon)

Do you want BuboFlash to help you learning these things? Click here to log in or create user.

Flashcard 7597212962060

Question
For solving the 2nd Order Linear Inhomogeneous ODE, we need to find [Find what and how to get them]
Answer
its complementary functions and its particular integrals. Getting its complementary functions by solving the homogeneous ODE constructed by replacing \(r(x)\) with 0 to get its complementary functions. Getting its particular integrals using the "Variation of Parameters" method.

statusnot learnedmeasured difficulty37% [default]last interval [days]               
repetition number in this series0memorised on               scheduled repetition               
scheduled repetition interval               last repetition or drill

Main idea to solve 2nd order linear inhomogeneous ODE
For 2nd Order Linear Inhomogeneous ODE, we need to find its complementary functions and its particular integrals. Getting its complementary functions by solving the homogeneous ODE constructed by replacing \(r(x)\) with 0 to get its complementary functions. Getting its particular integrals using the "Variation of Parameters" method.






Annotation 7598073318668

#has-images

在机器学习中，学习（learning）是一个训练模型的过程。 通过这个过程，我们可以发现正确的参数集，从而使模型强制执行所需的行为。 换句话说，我们用数据训练（train）模型。 如 图1.1.2 所示，训练过程通常包含如下步骤：

  1. 从一个随机初始化参数的模型开始，这个模型基本没有“智能”；

  2. 获取一些数据样本（例如，音频片段以及对应的是或否标签）；

  3. 调整参数，使模型在这些样本中表现得更好；

  4. 重复第（2）步和第（3）步，直到模型在任务中的表现令人满意。

图1.1.2 一个典型的训练过程

statusnot read reprioritisations
last reprioritisation on suggested re-reading day
started reading on finished reading on

1. 引言 — 动手学深度学习 2.0.0 documentation
y Siri”这个词时发出“是”。 理想情况下，同一个模型族应该适合于“Alexa”识别和“Hey Siri”识别，因为从直觉上看，它们似乎是相似的任务。 然而，如果我们想处理完全不同的输入或输出，比如：从图像映射到字幕，或从英语映射到中文，可能需要一个完全不同的模型族。 但如果模型所有的按钮（模型参数）都被随机设置，就不太可能识别出“Alexa”“Hey Siri”或任何其他单词。 <span>在机器学习中，学习（learning）是一个训练模型的过程。 通过这个过程，我们可以发现正确的参数集，从而使模型强制执行所需的行为。 换句话说，我们用数据训练（train）模型。 如 图1.1.2所示，训练过程通常包含如下步骤： 从一个随机初始化参数的模型开始，这个模型基本没有“智能”； 获取一些数据样本（例如，音频片段以及对应的是或否标签）； 调整参数，使模型在这些样本中表现得更好； 重复第（2）步和第（3）步，直到模型在任务中的表现令人满意。 图1.1.2 一个典型的训练过程¶ 总而言之，我们没有编写唤醒词识别器，而是编写了一个“学习”程序。 如果我们用一个巨大的带标签的数据集，它很可能可以“学习”识别唤醒词。 这种“通过用数据集来确定程序行为”的方法可以被看作用数据编程（programming with data）。 比如，我们可以通过向机器学习系统，提供许多猫和狗的图片来设计一个“猫图检测器”。 检测器最终可以学会：如果输入是猫的图片就输



Flashcard 7598076202252

Tags
#has-images
Question
在机器学习中，学习（learning）是一个训练模型的过程。 通过这个过程，我们可以发现正确的参数集，从而使模型强制执行所需的行为。 换句话说，我们用数据训练（train）模型。 训练过程通常包含如下步骤：[...]
Answer

  1. 从一个随机初始化参数的模型开始，这个模型基本没有“智能”；

  2. 获取一些数据样本（例如，音频片段以及对应的是或否标签）；

  3. 调整参数，使模型在这些样本中表现得更好；

  4. 重复第（2）步和第（3）步，直到模型在任务中的表现令人满意。

图1.1.2 一个典型的训练过程


statusnot learnedmeasured difficulty37% [default]last interval [days]               
repetition number in this series0memorised on               scheduled repetition               
scheduled repetition interval               last repetition or drill

Parent (intermediate) annotation

Open it
在机器学习中，学习（learning）是一个训练模型的过程。 通过这个过程，我们可以发现正确的参数集，从而使模型强制执行所需的行为。 换句话说，我们用数据训练（train）模型。 如 图1.1.2 所示，训练过程通常包含如下步骤： 从一个随机初始化参数的模型开始，这个模型基本没有“智能”； 获取一些数据样本（例如，音频片段以及对应的是或否标签）； 调整参数，使模型在这些样本中表现得更好； 重复第（2）步和第（3）步，直到模型在任务中的表现令人满意。 图1.1.2 一个典型的训练过程 ¶

Original toplevel document

1. 引言 — 动手学深度学习 2.0.0 documentation
y Siri”这个词时发出“是”。 理想情况下，同一个模型族应该适合于“Alexa”识别和“Hey Siri”识别，因为从直觉上看，它们似乎是相似的任务。 然而，如果我们想处理完全不同的输入或输出，比如：从图像映射到字幕，或从英语映射到中文，可能需要一个完全不同的模型族。 但如果模型所有的按钮（模型参数）都被随机设置，就不太可能识别出“Alexa”“Hey Siri”或任何其他单词。 <span>在机器学习中，学习（learning）是一个训练模型的过程。 通过这个过程，我们可以发现正确的参数集，从而使模型强制执行所需的行为。 换句话说，我们用数据训练（train）模型。 如 图1.1.2所示，训练过程通常包含如下步骤： 从一个随机初始化参数的模型开始，这个模型基本没有“智能”； 获取一些数据样本（例如，音频片段以及对应的是或否标签）； 调整参数，使模型在这些样本中表现得更好； 重复第（2）步和第（3）步，直到模型在任务中的表现令人满意。 图1.1.2 一个典型的训练过程¶ 总而言之，我们没有编写唤醒词识别器，而是编写了一个“学习”程序。 如果我们用一个巨大的带标签的数据集，它很可能可以“学习”识别唤醒词。 这种“通过用数据集来确定程序行为”的方法可以被看作用数据编程（programming with data）。 比如，我们可以通过向机器学习系统，提供许多猫和狗的图片来设计一个“猫图检测器”。 检测器最终可以学会：如果输入是猫的图片就输






Annotation 7598079610124

无论什么类型的机器学习问题，都会遇到这些组件：

  1. 可以用来学习的数据（data）；

  2. 如何转换数据的模型（model）；

  3. 一个目标函数（objective function），用来量化模型的有效性；

  4. 调整模型参数以优化目标函数的算法（algorithm）。
statusnot read reprioritisations
last reprioritisation on suggested re-reading day
started reading on finished reading on

1. 引言 — 动手学深度学习 2.0.0 documentation
和狗的图片来设计一个“猫图检测器”。 检测器最终可以学会：如果输入是猫的图片就输出一个非常大的正数，如果输入是狗的图片就会输出一个非常小的负数。 如果检测器不确定输入的图片中是猫还是狗，它会输出接近于零的数…… 这个例子仅仅是机器学习常见应用的冰山一角， 而深度学习是机器学习的一个主要分支，本节稍后的内容将对其进行更详细的解析。 1.2. 机器学习中的关键组件¶ 首先介绍一些核心组件。<span>无论什么类型的机器学习问题，都会遇到这些组件： 可以用来学习的数据（data）； 如何转换数据的模型（model）； 一个目标函数（objective function），用来量化模型的有效性； 调整模型参数以优化目标函数的算法（algorithm）。 1.2.1. 数据¶ 毋庸置疑，如果没有数据，那么数据科学毫无用武之地。 每个数据集由一个个样本（example, sample）组成，大多时候，它们遵循独立同分布(independently and identically distributed, i.i.d.)。 样本有时也叫做数据点（data point）或者数据实例（data instance），通常每个样本



Flashcard 7598081182988

Question
无论什么类型的机器学习问题，都会遇到这些组件：​​​​​​​[...]
Answer

  1. 可以用来学习的数据（data）；

  2. 如何转换数据的模型（model）；

  3. 一个目标函数（objective function），用来量化模型的有效性；

  4. 调整模型参数以优化目标函数的算法（algorithm）。


statusnot learnedmeasured difficulty37% [default]last interval [days]               
repetition number in this series0memorised on               scheduled repetition               
scheduled repetition interval               last repetition or drill

Parent (intermediate) annotation

Open it
无论什么类型的机器学习问题，都会遇到这些组件： 可以用来学习的数据（data）； 如何转换数据的模型（model）； 一个目标函数（objective function），用来量化模型的有效性； 调整模型参数以优化目标函数的算法（algorithm）。

Original toplevel document

1. 引言 — 动手学深度学习 2.0.0 documentation
和狗的图片来设计一个“猫图检测器”。 检测器最终可以学会：如果输入是猫的图片就输出一个非常大的正数，如果输入是狗的图片就会输出一个非常小的负数。 如果检测器不确定输入的图片中是猫还是狗，它会输出接近于零的数…… 这个例子仅仅是机器学习常见应用的冰山一角， 而深度学习是机器学习的一个主要分支，本节稍后的内容将对其进行更详细的解析。 1.2. 机器学习中的关键组件¶ 首先介绍一些核心组件。<span>无论什么类型的机器学习问题，都会遇到这些组件： 可以用来学习的数据（data）； 如何转换数据的模型（model）； 一个目标函数（objective function），用来量化模型的有效性； 调整模型参数以优化目标函数的算法（algorithm）。 1.2.1. 数据¶ 毋庸置疑，如果没有数据，那么数据科学毫无用武之地。 每个数据集由一个个样本（example, sample）组成，大多时候，它们遵循独立同分布(independently and identically distributed, i.i.d.)。 样本有时也叫做数据点（data point）或者数据实例（data instance），通常每个样本