摘要： 今天看的部分是VGG模型加载的后半部分。由于中途隔了10天的其他内容，重新捡起来稍微花了点时间。但这10天的内容能让我更好地理解这些视讯的讲解。加载使用训练好的模型，主要是省去了训练的过程，使用别人已经训练好的数据走一个前向传播的流程。 阅读全文

摘要： 今天是强化学习的简单介绍。个人理解的强化学习目标就是找到获得最大奖励的策略（特定状态下应该怎么采取行动）。但为了防止不收敛（毕竟存在一种极端情况，随着作出的策略增多“获得奖励”的速度减缓，但整体仍然无限增多的情况）而导致的无限运行无法收敛，需要一个折扣因子来“削减”即得的奖励来防止过度追求最大奖励导 阅读全文

摘要： 今天看的部分是深度学习。由于已经有了先前的实验的基础，而且讲解中少了非常多的看着就“令人犯困”的各种高深的数学计算（当然，本质还是各种数学问题，但是由于太复杂而且一般利用框架的情况下无需关心），看起来比较容易。深度学习能自行从样本中选取特征是其一大特点，训练时只需直接提供样本和训练结果，而无需如一般 阅读全文

摘要： 今天的部分是维度灾难。在人的一般直觉里一般是认为“越精细的就越好”，但实际上在机器学习甚至大多数学科里，“过度的精细”可能反而带来极大的问题：譬如对于一个球体（或者高维里类似球体的东西），维度高到一定程度之后它的体积（或类似的概念）反而开始下降直至无限趋近于0。同时，维度的增高也会带来计算量的指数级 阅读全文

摘要： 今天看的部分是最优化问题。正如同先前的“分类”部分，基本都是通过梯度下降来解决的损失函数最优化问题。所述的算法不做赘述，但每种算法都有着其自己的优势：譬如通过模拟动量结果得出快不容易受平台影响的动量法及其变种，会“尝试”别的方向的AdaGrad算法及其变种，以及结合两者特点更容易找到全局最优的Ada 阅读全文

摘要： 今天的部分是数据降维。讲解的是PCA和自编码器。就如其名，数据降维就是降低数据的维度。实际获取的数据中可能维度很多，而其中更是有很多的数据可能存在线性关系造成的冗余等。个人理解的数据降维就是将数据的维度降低，提取出“最有代表性的N个维度”。PCA算法本身就是求数据矩阵的特征向量和特征值，然后根据设定 阅读全文

摘要： 今天的部分是机器学习中的聚类问题，这是典型的无监督学习的应用。并且详细讲解了第一次课时提及过的K-Means算法，以及GMM（高斯混合模型）和EM算法。其中K-Means算法个人的理解为 1.随机寻找K(所分类个数)个中心点 2.将所有样本分类至离其最近的中心点 3.对各中心点所属的样本求新的中心点 阅读全文

摘要： 今天的部分是模型提升。主要讲解的是决策树的原理。个人对于决策树的理解是用空间划分的思想，使用多次二分类的回归对数据进行分类。个人理解的决策树的核心问题是“各个节点如何选取进行划分”，用通俗的话来说就是“如何问好问题”。而以前听闻过的随机森林算法，本质则是多个决策树的结合，用类似于投票的形式来做出决策 阅读全文

摘要： 今天的部分是机器学习中的分类。所讲解的分类方式是感知机、支持向量机和逻辑回归。其中感知机有详细讲解，后两个是仅大致讲解。所列3项本质都是用梯度下降（或随机梯度下降）的方法进行最优化。而Sigmoid函数的应用是在逻辑回归中使用，作为取结果的“概率”，因而其中也用到了大量的概率论中的知识。相比于梯度下 阅读全文

摘要： 今天看的是机器学习十讲里的第二讲，回归。整个回归的原理讲解中充斥了大量的线性代数概念（本质都是用线性回归方法求解线性及非线性问题）。虽然由于线性代数很长时间没看，加上有的概念课上也讲的不多，有很多地方只能算是半懂，但也解决了先前所看的视讯中的一些参数的意义的理解，回答了一部分的“为什么”。 阅读全文