<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
  <channel>
    <title>机器学习 on 进击的骑士</title>
    <link>https://knight134.com/categories/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/</link>
    <description>Recent content in 机器学习 on 进击的骑士</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <lastBuildDate>Wed, 15 May 2024 11:00:00 +0800</lastBuildDate>
    <atom:link href="https://knight134.com/categories/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>PyTorch 基础：张量（Tensor）操作详解</title>
      <link>https://knight134.com/posts/2024-05-15-pytorch-basics/</link>
      <pubDate>Wed, 15 May 2024 11:00:00 +0800</pubDate>
      <guid>https://knight134.com/posts/2024-05-15-pytorch-basics/</guid>
      <description>&lt;p&gt;PyTorch 是当前最流行的深度学习框架之一。一切的基础都是 Tensor（张量）。&lt;/p&gt;
&lt;h3 id=&#34;创建张量&#34;&gt;创建张量&lt;/h3&gt;
&lt;p&gt;python&lt;/p&gt;
&lt;p&gt;import torch&lt;/p&gt;
&lt;p&gt;创建一个 2x3 的随机张量&lt;/p&gt;
&lt;p&gt;x = torch.rand(2, 3)&lt;/p&gt;
&lt;p&gt;print(x)&lt;/p&gt;
&lt;h2 id=&#34;查看形状&#34;&gt;查看形状&lt;/h2&gt;
&lt;p&gt;print(x.shape)&lt;/p&gt;</description>
    </item>
    <item>
      <title>机器学习入门：从零开始的炼丹之路</title>
      <link>https://knight134.com/posts/2024-05-10-ml-intro/</link>
      <pubDate>Fri, 10 May 2024 09:00:00 +0800</pubDate>
      <guid>https://knight134.com/posts/2024-05-10-ml-intro/</guid>
      <description>&lt;h2 id=&#34;什么是机器学习&#34;&gt;什么是机器学习？&lt;/h2&gt;
&lt;p&gt;机器学习是人工智能的一个分支，它使计算机能够在没有明确编程的情况下学习。简单来说，就是让机器从数据中寻找规律。&lt;/p&gt;
&lt;h2 id=&#34;我的学习路径&#34;&gt;我的学习路径&lt;/h2&gt;
&lt;ol&gt;
&lt;li&gt;&lt;strong&gt;基础理论&lt;/strong&gt;：吴恩达老师的课程是必看的。&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;工具库&lt;/strong&gt;：熟练使用 &lt;code&gt;NumPy&lt;/code&gt; 和 &lt;code&gt;Pandas&lt;/code&gt; 处理数据。&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;实战&lt;/strong&gt;：从 Kaggle 的经典赛题开始，比如 Titanic 生存预测。&lt;/li&gt;
&lt;/ol&gt;
&lt;h2 id=&#34;代码示例&#34;&gt;代码示例&lt;/h2&gt;
&lt;p&gt;python&lt;/p&gt;
&lt;p&gt;from sklearn.linear_model import LogisticRegression&lt;/p&gt;
&lt;p&gt;model = LogisticRegression()&lt;/p&gt;
&lt;h2 id=&#34;模拟训练数据&#34;&gt;模拟训练数据&lt;/h2&gt;
&lt;p&gt;X = [[0], [1], [2]]&lt;/p&gt;
&lt;p&gt;y = [0, 1, 1]&lt;/p&gt;
&lt;p&gt;model.fit(X, y)&lt;/p&gt;
&lt;p&gt;print(f&amp;quot;预测结果: {model.predict([[1.5]])}&amp;quot;)&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
