2021年10月19日
摘要：
神经网络与深度学习（更新至第6讲 循环神经网络）_哔哩哔哩_bilibili axon 英 [ˈæksɒn] 美 [ˈæksɑːn] n. 轴索，[解剖]轴突（神经细胞） telodendria 终端（树）突 nucleus 英 [ˈnjuːkliəs] 美 [ˈnuːkliəs] n. 原子核；细 阅读全文
摘要：
神经网络与深度学习（更新至第6讲 循环神经网络）_哔哩哔哩_bilibili 阅读全文
摘要：
注解： 1.解决贡献度分配的一个很好的方法是：神经网络。 注解： 1.很多的深度学习都是端到端的学习。 注解： 1.自变量x可能是我们人抽取的已经包含高层语义的特征。 2.为什么f1(x)是非线性函数，因为假如是线性，嵌套再多层，还是线性。 阅读全文
摘要：
注解： 1.建立一个从像素到语义的映射其实是很困难的。 注解： 1.一般性，指的是泛化能力。 注解： 1.one-hot编码，也叫独热编码。 2.局部表示：一个4维向量，每个独立的维度都表示一个语义。如[1 0 0 0]表示A。 3.分布式表示：两个维度合起来共同表示一个语义，如[0.25,0.5] 阅读全文
摘要：
注解： 1.写个程序实现区分左右两个区域的三角形，规则人可以看出来，即：左边都是直角三角形。 2.有的规则人不容易看出来。 注解： 1.声音识别，通过人类的思考，规则是很难找到的。即很难通过写一个程序，去做声音识别，因为规则不知道。 2.数字识别也是，很难找到2这个数字的规律。 3.怎么办？答：通过 阅读全文
摘要：
阅读全文
摘要：
注解： 1.在一个复杂系统中，每个模块对最终做出的决策的贡献是多少。 2.现在深度学习主要的模型是神经网络。 注解： 1.概率图模型：试图以概率问题去建模各式各样的问题。 注解： 1.逻辑回归和softmax回归在后面的5个非线性分类器中能用到。 注解： 1.github上有配套练习的答案，有些是网 阅读全文
摘要：
注解： 1.统计学习指的是：统计机器学习。 2.深度神经网络中的深度值得是神经网络的层数超过3层。 3.PGM:概率图模型。 4.deep learning的概念更倾向于deep neural network. 阅读全文
摘要：
【机器学习】【白板推导系列】【合集 1～23】_哔哩哔哩_bilibili 知识点： 1.高斯分布。 2.用极大似然估计估计高斯分布中的参数均值μ，和方差Σ。 阅读全文
摘要：
Neural Networks Pt. 1: Inside the Black Box - YouTube 阅读全文
摘要：
把概率引入机器学习中是一件很自然的事情。 注解： 1.X是数据:N个数据，每个数据的纬度是p维。 2.概率模型的解释和例子： 下图的来源：What is a statistical model? - YouTube 注解： 1.频率派认为：参数θ是未知的常量，数据是随机变量。 2.提倡用极大似然估计 阅读全文
摘要：
【机器学习】【白板推导系列】【合集 1～23】_哔哩哔哩_bilibili E:EM算法。 回归分析，分类，神经网络，核方法，稀疏？，概率图模型，混合模型、近似算法、3纬采样，连续性随机变量，顺序数据，组合模型。 大的总结： 阅读全文