Machine Learning

1.数据准备

• 数据收集、预处理(清理、归一化、增强)
• 数据划分（训练集、验证集、测试集）

模型构建

• 选择适合的神经网络架构(FNN、CNN、RNN、Transformer、GAN)
• 设计网络层(输入层、隐藏层、输出层)

模型训练

• 前向传播
• 计算损失函数
• 反向传播
• 权重更新(梯度下降、优化器)

模型评估与调优

numerical Operation

math: 提供了许多对浮点数的数学运算函数 numpy: 支持大量的维度数组和矩阵运算，以及对数组运算提供大量的数学函数库

Reading/Writing Data

pandas: python扩展库

For Progress Bar

tqdm: 显示进度条

Pytorch

torch: 激活函数, e.g., Sigmoid, ReLU,以及对tensor的操作

• torch.utils.data
  • Dataset
  • DataLoader
  • random_split

For plotting learning curve