lvdongjie-avatarx

2021年3月10日

摘要：简介：现在的人工智能，大致就是用“硅基大脑”模拟或重现“碳基大脑的过程”。那么，在未来会不会出现“碳硅合一”的大脑或者全面超越人脑的“硅基大脑”呢？专家们的回答是“会的”。而由深度学习引领的人工智能，正在开启这样的时代。在前面的小节中，我们仅仅泛泛而谈了机器学习、深度学习等概念，在这一小节，我们阅读全文

posted @ 2021-03-10 14:32 lvdongjie-avatarx 阅读(108) 评论(0) 推荐(0) 编辑

深度学习的理解(一)

摘要：简介：当你和女朋友在路边手拉手一起约会的时候，你可曾想，你们之间早已碰撞出了一种神秘的智慧–深度学习。恋爱容易，相处不易，不断磨合，打造你们的默契，最终才能决定你们是否在一起。深度学习也一样，输入各种不同的参数，进行训练拟合，最后输出拟合结果。恋爱又不易，且学且珍惜！【导言】目前人工智能非常火阅读全文

posted @ 2021-03-10 13:32 lvdongjie-avatarx 阅读(268) 评论(0) 推荐(0) 编辑

2021年3月9日

序列模型简介——RNN, Bidirectional RNN, LSTM, GRU

摘要：既然我们已经有了前馈网络和CNN，为什么我们还需要序列模型呢？这些模型的问题在于，当给定一系列的数据时，它们表现的性能很差。序列数据的一个例子是音频的剪辑，其中包含一系列的人说过的话。另一个例子是英文句子，它包含一系列的单词。前馈网络和CNN采用一个固定长度作为输入，但是，当你看这些句子的时候，并非阅读全文

posted @ 2021-03-09 14:33 lvdongjie-avatarx 阅读(209) 评论(0) 推荐(0) 编辑

全连接层和激活层

摘要： 1. 全连接层经过前面若干次卷积+激励+池化后，终于来到了输出层，模型会将学到的一个高质量的特征图片全连接层。其实在全连接层之前，如果神经元数目过大，学习能力强，有可能出现过拟合。因此，可以引入dropout操作，来随机删除神经网络中的部分神经元，来解决此问题。还可以进行局部归一化、数据增强等操作阅读全文

posted @ 2021-03-09 11:35 lvdongjie-avatarx 阅读(2701) 评论(0) 推荐(0) 编辑

2021年3月8日

CNN、RNN、DNN区别

摘要：神经网络的来源神经网络技术起源于上世纪五、六十年代，当时叫感知机（perceptron），包含有输入层、输出层和一个隐藏层。输入的特征向量通过隐藏层变换到达输出层，由输出层得到分类结果。但早期的单层感知机存在一个严重的问题——它对稍微复杂一些的函数都无能为力（如异或操作）。直到上世纪八十年代才被H 阅读全文

posted @ 2021-03-08 17:17 lvdongjie-avatarx 阅读(1390) 评论(0) 推荐(0) 编辑

数据挖掘--特征工程

摘要：（一）特征工程需要根据实际的业务场景进行处理数据与特征处理 1. 数据选择/清洗/采样 2. 数值型/类别型/日期型/文本型特征处理 3. 组合特征处理特征选择 1. Filter/Wrapper/Embedded 三种特征选择方式及开发包/案例特征：数据中抽取出来的对结果预测有用的信息特阅读全文

posted @ 2021-03-08 15:46 lvdongjie-avatarx 阅读(482) 评论(0) 推荐(0) 编辑

机器学习-特征工程

摘要：在之前学习机器学习技术中，很少关注特征工程(Feature Engineering)，然而，单纯学习机器学习的算法流程，可能仍然不会使用这些算法，尤其是应用到实际问题的时候，常常不知道怎么提取特征来建模。特征是机器学习系统的原材料，对最终模型的影响是毋庸置疑的。特征工程的重要意义数据特征会直接影响阅读全文

posted @ 2021-03-08 15:34 lvdongjie-avatarx 阅读(315) 评论(0) 推荐(0) 编辑

2021年3月3日

hmmlearn使用简介

摘要：隐含马尔可夫模型（Hidden Markov Model，HMM）最初是在20世纪60年代后半期，由Leonard E. Baum和其他一些作者在一系列统计学论文中描述的。其最初应用于语音识别领域。 1980年代后半期，HMM开始应用到生物序列，尤其是DNA序列的分析中。随后，在生物信息学领域，HM 阅读全文

posted @ 2021-03-03 20:55 lvdongjie-avatarx 阅读(410) 评论(0) 推荐(0) 编辑

2021年2月25日

贝叶斯分类器

摘要：原理：基于先验概率P(Y)，利用贝叶斯公式计算后验概率P(Y/X)（该对象属于某一类的概率），选择具有最大后验概率的类作为该对象所属类特点：数据可离散可连续；对数据缺失、噪音不敏感；若属性相关性小，分类效果好，相关也不低于决策树朴素贝叶斯算法学习的内容是先验概率和条件概率（都使用极大似然估计这阅读全文

posted @ 2021-02-25 08:40 lvdongjie-avatarx 阅读(295) 评论(0) 推荐(0) 编辑

贝叶斯算法 API

摘要： https://scikit-learn.org/stable/search.html?q=bayes 阅读全文

posted @ 2021-02-25 08:29 lvdongjie-avatarx 阅读(48) 评论(0) 推荐(0) 编辑

此博客专攻人工智能。

公告