- 博客(10)
- 收藏
- 关注
RSS订阅原创 卷积神经网络(CNN)结构发展总结
目前经典的CNN结构一般网络结构LeNetAlexNet、ZFNet、OverFeatVGGGoogLeNet Inception V1、V2、V3、V4ResNet、Wide ResNet、ResNeXt、FractalNet、PreActResNetDenseNetSENet、SKNetDPNetNASNetCapsule NetQCNN轻量化网络结构Sque...
2019-04-07 22:07:38
649
原创 python 带header的http请求(以requests.get为例)
我们可以用python中的requests.get(url, header=header)来请求网页。url参数：为请求的网址header：放入请求这个网址需要的其他信息。加入header作用举例比如一个网址的访问需要权限，我们就可以在header的Cookie中放入请求过程中的权限验证信息；比如当一个网址中具有反爬虫机制时，由于爬虫多直接由python脚本直接访问网页，部分企业也就...
2019-04-07 21:43:58
8141
原创 机器学习基石——Noise and Error
noise对于真实场景而言，大规模数据集多少会有一些noise。数据集中的noise来源：1)来源于x，采集特征时出现错误；2）来源于y，打标签时出错。有noise情况与理想情况区别：原来对于某个x，y是确定值；当有了noise之后，对于某个x，y是一个概率分布P(y∣x)P(y|x)P(y∣x)。有noise情况VC bound不等式是否依然成立：如果数据集标签按照P(y∣x)P(y|x...
2019-03-01 22:04:24
347
原创 机器学习基石——学习类型
按照输出空间划分二分类多分类回归结构化学习(NLP领域相关)按照标签划分无监督学习半监督学习有监督学习增强学习(没有真实的输出y，根据模型的输出反馈，如果反馈结果良好，更接近真实输出，就给其正向激励，如果反馈结果不好，偏离真实输出，就给其反向激励。)按照不同的协议划分Batch LearningOnline LearningActive Learning(有的时候，有类标...
2019-02-27 21:38:27
148
原创 机器学习基石——感知机
本文主要介绍了两块内容：(1)感知机模型；(2)一种感知机优化算法。感知机(Perceptron)模型介绍公式1：h(x)=sign((∑i=1nwixi)−threshold)公式1：h(x)=sign((\sum_{i=1}^{n}w_ix_i)-threshold) 公式1：h(x)=sign((i=1∑nwixi)−threshold)其中(x1,x2,...,xn)(x_1,...
2019-02-24 21:21:22
323
原创 机器学习基石——VC维中的A Pictorial Proof
这一节主要描述了本人对VC维中该式推导为推导过程的个人理解，若有理解不当之处，望各位指正！step1描述：step1理解：由两个因素决定，一个是假设h(h属于假设空间H)，还有一个是N个input的样本集(这N个样本集来自无穷的样本空间)。当h和input的样本集确定时，的值也就确定了。只由假设h决定，因为是指假设h作用在样本空间中的每一个样本所产生的期望误差。...
2019-02-21 22:15:38
402
1
原创 机器学习基石——VC维浅谈
VC维这个概念很重要，关于机器学习中预防过拟合的一些操作都可以用这个概念解释。http://www.flickering.cn/machine_learning/2015/04/vc%E7%BB%B4%E7%9A%84%E6%9D%A5%E9%BE%99%E5%8E%BB%E8%84%89/中对VC维有非常详细的介绍，本文是对其的一些整理与理解。了解VC维之前，需要知道一个Heoffding不...
2019-01-31 11:50:19
984
2
原创 机器学习基石——Heoffding不等式推导
该文推导参考了https://www.cnblogs.com/kolmogorov/p/9518867.htmlhttps://blog.youkuaiyun.com/hedan2013/article/details/76337040 0.Heoffding不等式 是独立的随机变量（不一定同分布）；；；。1.证明Heoffding不等式，首先得先证明其中是一个随机...
2019-01-28 00:13:37
948
原创 机器学习基石——线性回归加入正则项
接上一篇https://blog.youkuaiyun.com/qq_29508953/article/details/86494190为什么要加正则项不是满轶会导致线性回归无穷多解问题，而加入正则项可以解决该问题。 加入正则项可以对模型参数有一定的约束，模型参数空间变小，简化了模型，减小了过拟合风险。加入正则项后的线性回归推导(还是基于最小二乘法)这里加入的是L2正则项，当然正则项还有L1和...
2019-01-26 17:30:05
828
原创 机器学习基石——线性回归
线性回归什么样的数据适合用线性回归模型：模型介绍与推导：在神经网络中可替换为只含输入输出层且无非线性激活函数的模型。Logistic回归什么样的数据适合用Logistic回归模型：模型介绍与推导：在神经网络中可替换为只含输入输出层带sigmoid激活函数的模型。...
2019-01-25 23:35:29
352
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