luralying的博客

为什么卷积神经网络适用于处理图像整个CNN架构CNN如何学习CNN的应用卷积神经网络用于图像处理：简化Fully connectbetwork(简化节点)目标是一个局部区域，只要找到小范围目标就可以处理图像而不需要观察整幅图像。同样的patterns出现在不同的局部位置，可以共用同一组参数巡训练。CNN中存在subsamplinggu过程3. 整个CNN的架构CNN-Convfiler一般比image要小每个filter中的值都是学习得到的，而不是提前设定的有多少filte.

Review: gradient DescentLearning rates给优化过程中带来的影响自适应调整learning rate 的方法梯度下降法的背后理论基础Review: gradient Descent在上一个视频里，已经介绍了使用梯度下降法求解Loss functionθ∗=argmin L(θ)\theta^*=argmin\ L(\theta)θ∗=argmin L(θ)L:loss function θ\thetaθ:参数梯度下降过程中的可.

偏差和方差估计欠拟合、过拟合与偏差、方差的关系如何解决过拟合问题模型选择前提：第iii个空间下对应一组数据{(x1,y),(x2,y),...,(xn,y)}\{(x_1,y), (x_2,y),...,(x_n,y)\}{(x1​,y),(x2​,y),...,(xn​,y)}, 我们设计一组函数集{fi∣fi=wix+bi,i=1,...,n}\{f_i| f_i= w_ix+b_i, i=1,...,n\}{fi​∣fi​=wi​x+bi​,i=1,...,n}，对应的每个样本xxx, 每.

P3–回归回归的定义回归的实例（宝可梦的cp值）梯度下降法过拟合问题正则项回归的定义Regression 试图确定一个因变量yyy(输出)与一些列其他变量 xxx（自变量）之间关系的强度与特征。回归的实例（宝可梦的cp值）step 1: 设计模型–线性模型step 2: 模型评估–loss functionstep 3: 模型优化–梯度下降法step 1: 设计模型–线性模型只考虑一个特征xcpx_{cp}xcp​，可以设计如下的线性模型y=wxcp+by = wx_{c

P1–机器学习介绍我们为什么要学习机器学习机器学习是什么机器学习的learning map我们为什么要学习机器学习现有的机器学习有很多种方法，比如在图像分割领域有传统基于水平集活动轮廓模型，分水岭模型，基于深度学习的方法。这么多种方法对所有的分割任务都有作用吗？答案是否定的。因此对于不同的任务需要不同的模型，我们的任务就是要寻找合适的模型解决遇到的问题。机器学习是什么？机器学习是什么：机器学习就是找到合适的函数根据提供的资料给出合理的答案机器学习的框架：step1: 给出一个f