1. 项目任务分解
2. 工作内容
视频流：
-
目标识别，事件识别（精彩事件），动作识别 的数据标注
-
视频流模型训练 demo（进行了简单的目标识别）
智能体的构建：
-
对于项目[视频流]使用的 clip yolo 开源大模型进行微调。
-
智能体知识库 -> 体育基础知识库[tools] 的构建
-
智能体 demo [基于基础的知识库的简单问答]
原创2025年1月22日大约 11 分钟
项目名称
项目详细描述
链接名称
链接详细描述
书籍名称
书籍详细描述
文章名称
文章详细描述
伙伴名称
伙伴详细介绍
自定义项目
自定义详细介绍
原创2025年1月20日大约 4 分钟
原创2025年1月13日大约 15 分钟
原创2025年1月9日大约 21 分钟
原创2025年1月7日大约 15 分钟
ch 07 支持向量机
零散知识点
- SVM 本质上是线性的，但是可以通过核函数把非线性数据弄成线性的、高维的数据。
- Kernel function (干嘛的？) —— 把数据在高维弄成线性的，输入两个低维向量，输出内积（即他们的关系）
- As long as the kernel matrix corresponding to a symmetric function is semi-positive definite, it can be used as a kernel function.
原创2024年12月27日大约 7 分钟
距离判别
1. 两组判别
1.1 一般的两组距离判别
-
每一组有自己的均值向量 和协方差矩阵 。
-
判别准则是比较两组的 马氏距离（Mahalanobis Distance）：
判别样本 属于哪一类，取决于：
1.2 协方差矩阵相等的情况
-
假设 ，此时判别准则可以简化为：
-
展开计算后，最终得到一个 线性判别函数： 其中，权重向量 w 和偏置 定义为：
判别规则为：$ \text{若 } g(x) > 0, \text{ 则 } x \text{ 属于组 1；否则属于组 2。}$
原创2024年12月27日大约 4 分钟
k-Nearest Neighbor Learning
1. 原理
定义：kNN 是一种简单且常用的监督学习算法。
机制：
- 对于一个测试样本，找到其在训练集中最近的 k 个邻居。
- 使用某种距离度量（如欧几里得距离）来判断哪些邻居是最近的。
- 基于这 k 个邻居的类别或特征来预测测试样本的结果。
2. 距离度量:
-
欧几里得距离（Euclidean Distance）：
- 公式：
- 定义：这是最常用的直线距离度量，表示两点之间的实际空间距离。
- 场景：在 2D 和 3D 空间中最为直观，适用于计算点之间的直接距离。
-
曼哈顿距离（Manhattan Distance）：
- 公式：
- 定义：图中展示的红色和蓝色路径是曼哈顿距离（Manhattan Distance），也被称为城市街区距离（City Block Distance）。这类距离度量方法是计算从一个点到另一个点在直角网格上的水平和垂直移动距离之和。。
- 别名：又称为城市街区距离（City Block Distance）。
- 场景：适用于网格或正交路径的场景，比如城市道路导航。
-
切比雪夫距离 (Chebyshev Distance)：
- 公式：最大坐标差值：
- 解释：类似棋盘上国王移动的最少步数。
-
闵可夫斯基距离 (Minkowski Distance)：
-
公式：
-
特殊情况：
- ：曼哈顿距离。
- ：欧氏距离。
- ：切比雪夫距离。
-
原创2024年12月26日大约 14 分钟
多元正态分布的定义
性质
极大似然估计值
1. 估计量的性质
无偏性：如果估计量的期望值等于被估参数，即为无偏估计量。公式举例：
- 均值 是均值 的无偏估计量。
- 协方差矩阵 的估计量 也是无偏的。
有效性：在所有无偏估计量中，方差最小的估计量称为有效估计量，具有统计效率最高。
一致性：随着样本容量增加，估计量逐渐趋近于真实值。
原创2024年12月26日大约 1 分钟
Clustering Problem
- 它是 “无监督学习 ”任务中研究最多、应用最广泛的一种方法。
- 聚类目标：将数据集中的样本分成几个通常互不相交的子集（簇）。
- 聚类可以作为一个单独的过程（发现数据的内在分布结构），也可以作为分类等其他学习任务的前奏。
应用场景：
- 用户画像：根据行为或特征对用户进行分组，以提供个性化服务。
- 新闻聚类：将相似的新闻归为一类，便于内容管理或推荐。
- 基因分析：根据基因数据寻找潜在模式或结构，推动生物医学研究。
原创2024年12月26日大约 10 分钟