增量本构模型和全量本构模型
摘要：
阅读全文
posted @ 2019-02-23 14:32
02 2019 档案
机器学习&深度学习公开课&PPT资源整理（待更新）
摘要：公开课 伯克利（伯克利CS的本科生课程质量都很好，抽时间看看。）斯坦福MIT 前修课程 （伯克利课程都有） 向量微积分 vector calculus（math53）线性代数（math54 math110 or EE16A+16B）概率论（CS70 or stat 134） 机器学习和深度学习 CS
阅读全文
posted @ 2019-02-22 21:03
np.dot
摘要：np.dot(a, b) 1. 如果是向量，表示的是内积。 2. 如果是矩阵，表示矩阵积（不是对应元素相乘）。
阅读全文
posted @ 2019-02-21 22:05
如何理解高斯过程
摘要：A Visual Exploration of Gaussian Processes 地址：https://www.jgoertler.com/visual-exploration-gaussian-processes/ 高斯过程是一种非参数建模方法，试图寻找与观测数据点相一致的所有可能函数的分布。
阅读全文
posted @ 2019-02-21 19:19
无监督学习Unsupervised learning
摘要：无监督学习的特点是训练数据没有标签，无监督学习识别和利用数据中的模式进行诸如数据压缩或降维（如自编码器）或生成模型（如GAN等）之类的任务。 数据的压缩和降维涉及到使用比原始数据表示更少的信息进行编码。 生成模型可以对训练及数据的分布进行逼近，然后从该近似分布中生成新的数据点。 无监督学习与有监督学
阅读全文
posted @ 2019-02-18 20:57
有监督学习以及偏差和过拟合的概念
摘要：机器学习任务可以分为三类： 有监督学习：用于分类、回归预测等，训练数据有标签 无监督学习：无标签 强化学习：通过与环境交互，训练智能体做出一系列动作使得累积奖励最大化 为了解决以上机器学习任务，机器学习的核心思想是函数逼近。存在不同类型的函数逼近器：线性模型、SVM、决策树、高斯过程、深度学习等。
阅读全文
posted @ 2019-02-18 20:47
