ChengYongru'ML

Recent Writing

  • 基于 LIEF 的 PE 解析死循环排查

    2025年11月28日

  • 全期望公式

    2025年11月20日

  • 强化学习基础:从回报定义到贝尔曼方程的推导

    2025年11月20日

  • 核技巧

    2025年11月10日

查看更多139篇笔记 →

Recent Notes

  • 2025-11-19

    2025年12月04日

  • 2025-11-11

    2025年11月11日

查看更多1篇笔记 →

标签: ML

此标签下有27条笔记。

  • 2025年11月10日

    核技巧

    • ML
  • 2025年11月10日

    从矩阵乘法到核函数:一次对Attention机制的回溯

    • ML
    • attention
    • kernel
  • 2025年10月10日

    LearningRate和BatchSize

    • ML
    • 深度学习
    • math
  • 2025年9月30日

    梯度下降

    • ML
    • 深度学习
  • 2025年9月30日

    频率学派贝叶斯学派之于深度学习

    • 深度学习
    • ML
    • statistics
  • 2025年9月28日

    模型预测置信度是与内部模式的匹配度

    • ML
  • 2025年9月28日

    关于恶意脚本检测

    • ML
    • 深度学习
    • virus
  • 2025年9月28日

    Dropout

    • ML
    • 深度学习
  • 2025年9月28日

    为何在回归任务中要慎用 Dropout

    • ML
  • 2025年9月28日

    词嵌入Embedding

    • ML
    • NLP
  • 2025年9月26日

    两种“置信度”的核心区别

    • statistics
    • ML
  • 2025年9月26日

    One Hot

    • ML
  • 2025年9月26日

    Word2Vec

    • NLP
    • ML
    • 深度学习
  • 2025年9月26日

    模型校准

    • ML
  • 2025年9月25日

    MC Dropout:利用 Dropout 进行近似贝叶斯推断

    • ML
    • 深度学习
  • 2025年9月25日

    如何使用 MC Dropout 的输出进行预测和不确定性量化

    • ML
    • 深度学习
  • 2025年9月25日

    MC Dropout vs. 标准 Dropout

    • ML
    • 深度学习
  • 2025年9月25日

    LSTM

    • ML
    • timeseries
  • 2025年9月23日

    list高效转为tensor

    • ML
    • python
  • 2025年9月23日

    L2正则化

    • 深度学习
    • ML
  • 2025年9月23日

    ARIMA

    • ML
    • timeseries
  • 2025年9月23日

    自动微分

    • math
    • ML
  • 2025年9月23日

    振动分析

    • ML
  • 2025年9月23日

    增强学习

    • ML
  • 2025年9月23日

    协同适应

    • ML
    • 深度学习
  • 2025年9月23日

    平稳处理

    • ML
    • timeseries
  • 2025年9月23日

    平稳性

    • ML
    • timeseries

Recent Writing

  • 基于 LIEF 的 PE 解析死循环排查

    2025年11月28日

  • 全期望公式

    2025年11月20日

  • 强化学习基础:从回报定义到贝尔曼方程的推导

    2025年11月20日

  • 核技巧

    2025年11月10日

查看更多139篇笔记 →

Recent Notes

  • 2025-11-19

    2025年12月04日

  • 2025-11-11

    2025年11月11日

查看更多1篇笔记 →

Created with Quartz v4.5.1 © 2025

  • GitHub
  • Bilibili