会员
周边
众包
新闻
博问
闪存
所有博客
当前博客
我的博客
我的园子
账号设置
简洁模式
...
退出登录
注册
登录
huangshansan
博客园
首页
新随笔
联系
订阅
管理
2019年4月26日
07_The VC Dimension
摘要: https://www.cnblogs.com/cherrychenlee/p/7563210.html
阅读全文
posted @ 2019-04-26 10:11 huangshansan
阅读(84)
评论(0)
推荐(0)
编辑
06_Theory of Generalization
摘要: https://www.cnblogs.com/cherrychenlee/p/7562463.html
阅读全文
posted @ 2019-04-26 10:10 huangshansan
阅读(127)
评论(0)
推荐(0)
编辑
2019年4月23日
05 Training versus Testing
摘要: 回顾上节内容:假设空间H有限,N足够大,不管A选择哪个h,Ein和Eout在一定范围内都是近似相等的,A根据D在H中挑选使得Ein足够小的g,就能说Ein=Eout(PAC),即学习是可能的。 将学习分为两步: train:A根据给定训练集D在H中选出g,使得Ein(g)≈0; test:g在整个输
阅读全文
posted @ 2019-04-23 22:06 huangshansan
阅读(262)
评论(0)
推荐(0)
编辑
2019年4月21日
04 Feasibility of Learning
摘要: Learning is Impossible? 机器学习的目标:演算法A根据给定数据集D从假设空间H中选择一个与f最为接近的g,还要保证g与f在给定数据集之外的数据上表现也相似。 在资料以外的部分,g和f一不一样是不知道的,因为f是不知道的,但是我们想要知道资料以外的部分g和f是否接近,因此需要加一
阅读全文
posted @ 2019-04-21 12:05 huangshansan
阅读(123)
评论(0)
推荐(0)
编辑
2019年4月19日
03 Types of Learning
摘要: 学习的类型 1.根据输出空间:分类(二分类,多类别分类),回归,结构化 二分类:解决是非问题 多类别分类:邮递区号的辨识,邮件分类,图像辨识 回归:预测股票走势,预测天气 结构化:自然语言辨识 2.根据标签:监督学习,非监督学习,半监督学习,强化学习 非监督学习:聚类、密度分析、离群点检测(目标分散
阅读全文
posted @ 2019-04-19 17:13 huangshansan
阅读(139)
评论(0)
推荐(0)
编辑
2019年4月17日
02 Learning to Answer Yes/No
摘要: 一.Perceptron Learning Algorithm 1.回顾机器学习流程 思考假设空间H是什么样的,学习算法A确定后,h的样子就确定了,根据W的不同可以得到不同的h,构成假设空间H,学习算法从H中挑选表现最好的h即为最终的g,g和f在D上表现应该尽量一致,在未知数据(test data)
阅读全文
posted @ 2019-04-17 23:27 huangshansan
阅读(151)
评论(0)
推荐(0)
编辑
2019年4月15日
01 The Learning Problem
摘要: 1.What is Machine Learning?机器模拟人的学习过程 人的学习过程: machine learning: 2.Why use machine learning? 举例关于树的辨识:定义树是困难的,希望通过ML观察很多树后得到辨识树的技巧(无需定义,自己学习)。 ML适用情景:
阅读全文
posted @ 2019-04-15 18:37 huangshansan
阅读(186)
评论(0)
推荐(0)
编辑
2019年3月29日
EM算法-GMM
摘要: EM算法在高斯混合模型学习中的应用 M步求极大:
阅读全文
posted @ 2019-03-29 16:39 huangshansan
阅读(171)
评论(0)
推荐(0)
编辑
2019年3月24日
EM算法-三硬币模型
摘要: 三硬币模型 python实现
阅读全文
posted @ 2019-03-24 15:18 huangshansan
阅读(1537)
评论(0)
推荐(0)
编辑
2019年3月13日
神经网络手写数字识别
摘要: 初始化Network对象,sizes包含各层神经元的数量,假设创建一个三层神经网络,第一层2个神经元,第二层3个神经元,第三层4个神经元。 初始化代码如下: 输出biases,weights情况如下: 随机抽样 numpy.random.rand(d0,d1,...,dn)随机样本位于[0,1)中
阅读全文
posted @ 2019-03-13 21:47 huangshansan
阅读(335)
评论(0)
推荐(0)
编辑
下一页
公告