自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(8)
  • 收藏
  • 关注

原创 AlphaGo Zero 与深度强化学习(一) 概述

AlphaGo Zero 与深度强化学习(一) 概述 原文: Mastering the Game of Go without Human Knowledge(2017) 做的什么 完全基于强化学习,使AlphaGoZero(下文简称 zero)通过自己的神经网络在很短的时间打败了前 AlphaGo。 完全无人类数据干预。 使用强化深度学习 输入特征简单 提到的的技术 强化学习 深度学习

2017-12-15 16:50:44 5852

原创 生成对抗网络(GAN)

生成对抗网络(GAN) paper原文:Generative Adversarial Networks 生成对抗网络GAN 概览 做了什么 优势 不足 模型组成 生成模型 G 鉴别模型 D 核心公式 算法 图示化描述 全局最优点 Pg Pdata 效果与对比 展望概览做了什么 提出了新的模型对抗模型 通过生成模型(G)与鉴别模型(D)之间的相互竞争。即D模型要将 G 生成假数据调出,而 G

2017-11-24 15:43:34 4365

原创 神经网络基础—浅层神经网络

来源: coursera DeepLearningAI-Shallow Neural Network 课程的笔记整理 浅层神经网络浅层神经网络 层 表达方式 激活函数 概述 为何需要它 常用激活函数的导数 随机初始化参数向量 层 可以将计算中的每一步视为神经网络的一个层。 隐藏层:不被观察到的层,大多数指在计算中未被表述的层。 表达方式 注意:输入不算层数。所以上层为一个2层神经网络 a[layer

2017-11-22 19:40:22 824

原创 机器学习相关知识速查 - 持续更新

机器学习相关概念机器学习相关概念 线性代数 张量 生成子空间 范数 特征分解 奇异值分解SVD Moore-Penrose 伪逆 迹运算 概率与信息论 概率 随机变量 概率分布 边缘概率 条件概率 条件概率链式法则 条件独立与独立性 期望方差协方差 常用概率分布 伯努利分布Bernoulli Multi-nouli 多项式分布 正态高斯分布 指数分布与拉普拉斯laplace分布 Dirac 分布与经

2017-11-18 14:46:29 730

原创 机器学习-决策树

决策树目录决策树 目录 前景小合并大 概述 特点 缺点 什么是决策树 表达方式 根据路径方式 递归方式定义 算法 总体思路 代表算法 Classification and Regression Tree CRT 特性 纯度损失函数 regressionError classificationErrorGini 停止时机 fully-grown tree 缺陷 Regular 方法 表达式 可行的寻找

2017-11-18 14:37:07 478

原创 神经网络-逻辑回归

神经网络-逻辑回归目录神经网络-逻辑回归 目录 逻辑回归 概念 tips 梯度下降 绘制计算分析图 方法 逻辑回归中的梯度下降 简单的算法描述 矢量化 tipsnumpy广播机制引起的隐形 bug 以及解决 回顾深度学习训练步走 逻辑回归概念定义:ŷ =σ(wTx+b)\hat y = \sigma(w^Tx+b) σ(z)=11+e−z\sigma(z) = \frac{1}{1+e^{-z}

2017-11-18 14:20:16 1124

原创 神经网络 - 概述

神经网络 - 概述目录神经网络 - 概述 目录 前景 ReLu - 线性整流函数 特性 相比于传统机器学习 分类 神经网络 输入数据 基本分析方式 分析图 tips 前景ReLu - 线性整流函数 y=max(0,f(x))y=max(0,f(x)) 开始一段是0,后面则为一条直线 被很多时候用于激活函数,取代了之前的S 函数 特性 神经网络是由输入->神经元->输出基本逻辑组成

2017-11-18 14:18:07 554

原创 强化学习 - 概述

强化学习-概述 课程来自 Udacity-Reinforcement Learning(2017)- 1.Smoov & Curly’s Bogus Journey 的笔记整理 强化学习的”Hello-world”规则 绿色是目标 红色是失败 黑色是墙 start是开始点 你要找到一条从start到目标的路径 思考 如果给定一个附加概率:按着想法走的0.8,不按想法走的0.2。如果我们假定正确序

2017-11-18 13:49:00 2517

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除