2020.10.28关于贝叶斯学派和频率学派的问题 每次提到贝叶斯学派和频率学派的不同之处时，人们都会使用这个例子：给定数据集，如果我们想要确定某一个参数，频率学派的做法是，也就是说“认为是一个确定的常量，我们只需要找到这个常量的值即可”。而贝叶斯学派的做法则是，也就是说“认为是一个随机变量，我们只需要找到这个随机变量的分布，然后取概率密度最大的即可”。但实际上，我个人认为，这里的说法很让人摸不着
转载
2024-06-21 13:56:29
40阅读
机器学习基础机器学习怎样定义：对于某类任务T 和性能度量P，一个计算机程序被认为可以从经验E 中学习是指，通过经验E 改进后，它在任务T 上由性能度量P 衡量的性能有所提升。学习算法：机器学习任务类型包括， 分类，输入缺失分类， 回归，转录，机器翻译，结构化输出，异常检测，合成和采样，缺失值填补，去噪，密度估计或概率质量函数估计。输入缺失分类当输入向量的每个度量不被保证的时候，分类问题将会变得更有
转载
2024-01-08 12:33:07
110阅读
《深度学习》读书笔记介绍第一章 引言1.1 深度学习的概念1.2 深度学习和人工智能1.3 从不同角度来看深度学习1.4 联结主义第一部分 应用数学和机器学习基础第二章 线性代数2.1 线性相关和生成子空间2.2 范数2.3 一些概念第三章 概率与信息论3.1 为什么要使用概率？3.2 随机变量和随机分布3.3 一些概念及公式第四章 数值计算4.1 上溢和下溢问题4.2 基于梯度的优化方法4.2
转载
2023-08-16 03:46:54
674阅读
路由器之家网今天精心准备的是《花体》，下面是详解！26个英文字母花体和圆体写法最好是大小写都有，要图片...最好是大小写都有，要图片26个花体和圆体英文字母如下1、圆体“圆体英文” 是国内的一种说法，国外并没有与“圆体”相关的英文单词。国内常指代的圆体英文书法包括有 手写印刷体、意大利体(或者意大利斜体、斜体)、圆体(国产圆体)这种字体简单易懂，写出来很好，是现在国内外常用的日常手写字体。普通的钢
转载
2023-09-07 17:50:17
178阅读
00【学前准备】开营仪式，认识群内的小伙伴 深度输出活动.docx 看开营仪式，了解学习模式.docx01 第一周线性代数 伪逆矩阵最小二乘.mp4 矩阵对角化以及SVD分解.mp4 资料下
转载
2023-11-23 12:31:04
181阅读
作者首先在前面推荐了两本书一本是Murphy(2012) Machine learning A Probabilistic Perspective 资源在这：还有一本是：Bishop(2006)：pattern recognition and machine learning，这个原版和中译版网上都有。 5.1 学习算法Mitchell提供了一个简洁的关
转载
2023-09-29 21:33:35
209阅读
Marshal Zheng
2019-04-13
文章目录
花书《Deep learning》学习笔记--Convolutional Networks
CNNThe Convolution opeartion个人理解归纳领域优势卷积神经网络基本认识两类神经元：C,S网络结构优势解释：训练参数如何减少？为什么卷积？为什么下采样？子
转载
2023-10-12 13:14:57
192阅读
第二章:线性代数 线代是数学的一个分支。 线代主要面向连续数学，而非离散数学，因此很多计算机科学家很少接触它。 掌握线代对深度学习算法而言非常重要。此章为后续章节的基础章，已经熟悉现代的可以轻松地跳过本章。作者推荐书籍:The Matrix CookBook(Petersen and Pedrsen,2006).2.1标量、向量、矩阵和张量标量(scalar):一个标量就是一个单独的书，他不
转载
2024-06-19 08:37:32
94阅读
深度学习，即用深度神经网络进行机器学习和数据挖掘。进几年在图像识别、语音识别、自然语言处理等领域取得了革命性进展。 “花书”因书的封面为花园而得名，被业界称为深度学习的圣经，它用500页篇幅详细讲解了深度学习的数学、算法、各式各样的神经网络及其前沿进展。有最简单的机器学习的数学基础（线性代数、概率论），二分类的逻辑回归，处理图像数据的卷积神经网络，处理序列数据的循环神经网络，长短时记忆神经网络，生
转载
2023-10-20 19:18:13
187阅读
第三章概率与信息论 概率论是用于表示不确定性声明的数学框架。 在AI领域，概率论主要有两种用途： 1.告诉我们AI系统如何推理 2.我们可以利用它从理论上分析我们提出的AI系统的行为 花书这本书不是数学方面的书籍，所以这一方面并不会占用很多的章节，也不会过于详细，过于深入的探讨，所以如果有兴趣，还是建议读一些额外的书籍。3.1为什么要使用概率？ 因为机器学习通常必须处理不确定量，有时也
转载
2023-08-02 20:48:28
209阅读
【深度学习（deep learning）】花书第二章 线性代数 读书笔记 第二章 线性代数【深度学习（deep learning）】花书第二章 线性代数 读书笔记前言一、基本概念二、矩阵运算三、特殊矩阵与向量四、范数五、特征分解与奇异值分解1.特征分解2.奇异值分解（SVD）3.伪逆六、主成分分析 PCA参考资料 前言 打基础，阅读花书，感觉一次性啃不动。看一点算一点，写一点笔记留作纪念。以便日
转载
2024-08-20 22:00:18
99阅读
本书用来干什么：本书讨论一种解决方案。该方案可以让计算机从经验中学习，并根据层次化的概念体系来理解世界，而每个概念则从通过与某些相对简单的概念之间的关系来定义。让计算机从经验获取知识，可以避免由人类来给计算机形式化地指定它需要的所有知识。层次化的概念让计算机构建较简单的概念来学习复杂概念。人工智能关键挑战就是将非形式化知识传达给计算机。机器学习：AI系统自己获取知识（从原始数据中提取模式）深度学习
转载
2023-12-12 16:02:22
110阅读
目录2线性代数-深度学习花书第二章2.1基本概念：2.2矩阵运算2.2.3矩阵乘法(matrix product)：2.4线性相关：2.5范数：2.6特殊类型的矩阵和向量迹运算：迹定义为求主对角线元素的和。行列式：2.7特征分解，主成分分析(PCA)和奇异值分解(SVD)都是一种对数据降维的方法。27.1特征分解：2.7.2奇异值分解(The Singular Value Decompositio
转载
2024-05-10 12:36:38
222阅读
文章目录DeepLearning阅读记录(1)1 引言1.1 面向读者1.2 深度学习历史趋势1.2.1 神经网络名称/命运变迁1.2.2 与日俱增的数据量1.2.3 与日俱增的模型规模1.2.4 与日俱增的精度、复杂度和对现实世界的冲击 DeepLearning阅读记录(1)DeepLearning花书中文版PDF1 引言计算机可以轻易解决一系列形式化数学规则来描述的问题，但难以解决对人来说容
转载
2023-12-27 08:08:10
164阅读
深度学习是机器学习领域的一个热门研究方向，它通过构建多层神经网络模型来实现对复杂数据的学习和推理。这种方法模仿了人类大脑的工作方式，通过将大量的神经元连接起来，来实现对数据的高效处理。
在深度学习的发展过程中，有很多经典的模型被提出，其中最具代表性的是卷积神经网络（Convolutional Neural Network，简称CNN）和循环神经网络（Recurrent Neural Networ
原创
2023-08-22 06:49:44
118阅读
简单机器学习算法（逻辑回归，朴素贝叶斯等等）的性能，很大程度上依赖于给定数据的标识。例如:AI不会直接检查患者，而是需要医生告诉几条相关的信息。 许多人工智能任务可以通过一下方式解决: 提取一个合适的特征集 将这些特征提供给简单的机器学习算法然而很多任务中我们很难知道应该提取那些特征，比如检测一幅图片中的车。解决这个问题的途径之一是使用机器学习来挖掘表示本身，而不仅仅把表示映射到输出。这种方
转载
2023-11-21 19:52:21
132阅读
第一章 引言 引言部分主要介绍了人工智能中的一些相对重要的概念、本书的各章节的主要内容以及深度学习的历史趋势。1 人工智能的主要挑战一个具有讽刺意义的事实是，抽象化和形式化的任务对人类而言是最困难的脑力任务之一，但对于计算机而言却是最容易的。比如，计算机早就能够打败人类最好的国际象棋选手。但是对于一个人日常生活中的识别对象和语音任务等直观问题上，计算机最近才能够达到人类平均水平，甚至有时
转载
2024-04-29 08:25:02
681阅读
Deep Learning是大神Ian GoodFellow, Yoshua Bengio 和 Aaron Courville合著的深度学习的武功秘籍，涵盖深度学习各个领域，从基础到前沿研究。因为封面上有人工智能生成的鲜花图像，人送外号“花书” 。该书系统地介绍了深度学习的基础知识和后续发展，是一本值得反复读的好书。 这里根据书的框架做笔记如下，方便以后回顾阅读，加油！！！1.0
转载
2023-11-24 10:12:40
85阅读
1.深度学习花书前言 机器学习早期的时候十分依赖于已有的知识库和人为的逻辑规则，需要人们花大量的时间去制定合理的逻辑判定，可以说是有多少人工，就有多少智能。后来逐渐发展出一些简单的机器学习方法例如logistic regression、naive bayes等，机器可以通过一些特征来学习一定的模式出来，但这非常依赖于可靠的特征，比如对于logistic regression用来辅助医疗诊断，我们
转载
2024-08-21 09:44:35
509阅读
文章目录深度学习第一章 前言第一部分 应用数学与机器学习基础第二章 线性代数2.1 标量，向量，矩阵和张量2.2 矩阵和向量相乘2.3 单位矩阵和逆矩阵2.4 线性相关和生成子空间2.5 范数2.6 特殊类型的矩阵和向量2.7 特征分解2.8 奇异值分解2.9 Moore-Penrose伪逆2.10 迹运算2.11 行列式2.12 实例：主成分分析第三章 概率与信息论3.1 为什么要使用概率3.
转载
2024-01-16 22:26:54
155阅读
