这节主要来详细说一下神经网络。从神经网络定义到M-P模型再扩展到单层感知机、多层前馈神经网络、再到深层神经网络。(本文有一些概念省略了,若有写得不清楚的地方,我们一起在微信群里面讨论讨论)。 神经网络的定义 在不同的领域、以及不同人的一些偏好。大家对神经网络的叫法有些许差别。但主要会包括以下几种命名方式: 神经网络(Neur
上面的动画是本篇文章要达到的效果:一开始杆子不能稳定的倒立,经过一会的训练(自我学习),杆子可以稳定的倒立。这篇文章继续上文深度强化学习专栏 —— 1.研究现状中最后提到的使用深度强化学习实现倒立摆的前奏。本节我们从DQN(Deep Q-Network)算法开始说起,会经历阅读论文、手撕算法、最后实现CartPole倒立几个过程。
这一节我们介绍线性模型,介绍思路如下:我们先介绍概念,什么叫做线性模型?在了解了基本的线性模型之后,我们将其应用于一元线性回归,之后扩展到多元线性回归。之后我们再将其扩展到广义线性模型。最后通过广义线性模型迁移到logit回归(分类问题)中。 线性模型基本概念 线性模型(Linear Model)是在假设特征满足线性关系,给定一些数据,需要用这些数据训练
线性判别分析,英文名称Linear Discriminant Analysis(LDA)是一种经典的线性学习方法。本文针对二分类问题,从直观理解,对其数学建模,之后模型求解,再拓展到多分类问题。 大体思想 给定训练样例集,设法将样例投影到一条直线上,使得同类样例的投影点尽可能接近、异类样例的投影点尽可能远离;在对新样本进行分类时,将其投影到同样的这条直线上,再根据投影点的位
贝叶斯决策、概率估计 Introduction 将未知的东西,进行正确的类别划分,叫做classification。怎么用有效的数字、符号来表示你的未知的东西呢?我们将其称之为feature,它能够有效表达未知物品,或者说所需要分类的物品的有效信息。大量的特征组成特征向量{x1,x2,…,xl}用矩阵表示如下 介绍一些基本符号
神经网络,机器学习,可以说是现在最流行的计算机技术,TensorFlow是谷歌开源的机器学习框架,听起来就很高大上,很难学习,不幸的是国内的一些教程都是原文翻译谷歌官方教程,非常难以学习,所以本系列教程就是用比较容易懂的语言来教大家什么tensorflow。 首先tensorflow是一个深度学习的框架,其定义了一套神经网络机制,是用户可以在这套神经网络上开发自己的深度学
参考图书: web3.0与Semantic Web编程(中文版) Web 3.0与Semantic Web编程 英文版 随书代码下载 一、信息建模 在语义Web上,信息的建模主要通过三种语言来完成: RDF(资源描述框架)——定义了底层的数据模型,并且为语义Web层次结构图中其他更高层次的复杂特性奠定了基础。 RDF Schema(RDFS,RDF框架) OWL W
这是我见过讲解最详细最通俗易懂的决策树(二) 增益率 基尼指数 剪枝处理 预剪枝 后剪枝 我们在上一篇博文里面介绍了决策树的概念,讲到了什么是决策树,讲到了如何划分选择、讲到了何为信息增益等。今天我们继续之前的话题,首先讲解一下增益率。 如果您对上一篇博客的内容有所遗忘,请点击下面的连接 这是我见过讲解最详细最通俗易懂的决策树
这是我见过讲解最详细最通俗易懂的决策树(一) 基本流程 如何划分选择 总结 基本流程 我们在这篇文章没有公式,我们只谈决策树里面跟大家简单的介绍了决策树是个啥东西。今天我们将深入的介绍一下决策树。 首先决策树是一类常见的机器学习方法,以二分类任
参考图书: web3.0与Semantic Web编程(中文版) Web 3.0与Semantic Web编程 英文版 随书代码下载 一、程序环境准备——为以数据为中心的语义Web程序设计做好准备 1.1 什么是语义Web? 语义就是意思、含义。了解了数据的含义之后就能够更加有效地利用底层数据。语义Web就是一个数据网,这些数据以多种方式进行描述,相互链接形成上下文(语义关系),同时这
自2013年DeepMind的论文Playing Atari with Deep Reinforcement Learning中提出的DQN(Deep Q-Network)算法实现程序学习到如何打Atari游戏以来,深度强化学习迎来了大发展的时机。 2015年DeepMind发布的Human-level co
图像识别、目标检测、风格迁移 参考:https://blog.csdn.net/red_stone1/article/details/78651063 图像识别 卷积解决的问题:传统神经网络输入维度太大,导致网络结构太复杂,数据量相对不够,则出现过拟合,以及计算量太大。 每一张图片都是由3层(RGB)n ∗
本文将会讨论策略优化的数学基础,并且会附上简单的实践代码。三个要点 一个简单的等式,将策略梯度跟策略模型参数连接起来 一条规则,允许我们将无用的项从等式里去掉 另一条规则,允许我们在等式中添加有用的项 推导最简单的策略梯度 其中称为策略梯度,利用策略梯度来优化策略模型这种方法叫做策略梯度算法,例如VPG、TRPO。PPO
一、什么是knn算法 本章着重对算法部分进行讲解,原理部分不过多叙述,有兴趣的小伙伴可以自行查阅其他文献/文章 (一)、介绍 邻近算法,或者说K最近邻(kNN,k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻,就是k个最近的邻居的意思,说的是每个样本都可以用它最接近的k个邻居来代表。
实战Omniglot数据集识别(手写数字MNIST升级版) 目录 实战Omniglot数据集识别(手写数字MNIST升级版) 经典方法 简单方法 最简单——无脑全连接 简单卷积网络 添加STN与inception 改变loss函数 加深网络 小样本学习 度量学习(met
数据集介绍 使用Fashion MNIST数据集,其中包含10个类别的70,000个灰度图像。图像显示了低分辨率(28 x 28像素)的单个衣物,如下所示(图片来自tensorflow官方文档): 图像是28x28 NumPy数组,像素值范围是0到255。标签是整数数组,范围是0到9。这些对应于图像表示的衣服类别:
一、什么是神经网络 神经网络是一种以人脑为模型的机器学习,简单地说就是创造一个人工神经网络,通过一种算法允许计算机通过合并新的数据来学习。 以人脑中的神经网络为启发,历史上出现过很多不同版本最著名的算法是1980年的 backpropagation 1、多层向前神经网络(Multilayer Feed-Forward Neural Network) &
一、什么是svm 支持向量机(Support Vector Machine, SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier),其决策边界是对学习样本求解最大边距超平面(maximum-margin hyperplane) 。 1、支持向
目录 前言 卷积 傅里叶变换 信号的傅里叶变换 图的傅里叶变换 图卷积 GCN(图卷积神经网络) 第一代GCN 第二代GCN 总结 前言 在上一篇文章中我们介绍了图的部分概念以及最简单的图卷积方式,但这里的图卷积在实现起来还存在着一些问题,
引言 前面带大家搭建了一个简单的神经网络进行曲线拟合,现在通过大家对神经网络的初步了解,我们今天将进行更深入的学习。 正文 由于源码在前面几章公布了,所以有看不懂代码顺序或者不知道怎么拼接使用的可以直接去下载工程源码。话不多说,进入正题。 CNN(卷积神经网络)的核心基础 在写代码之前,我们先来了解一点卷积神经网络的核心基础,其中涉及卷积层、池化层、全连接层在神经
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信