qq_41430142的博客

激活函数（Activation Function）是一种添加到人工神经网络中的函数，旨在帮助网络学习数据中的复杂模式。类似于人类大脑中基于神经元的模型，激活函数最终决定了要发射给下一个神经元的内容。在人工神经网络中，一个节点的激活函数定义了该节点在给定的输入或输入集合下的输出。标准的计算机芯片电路可以看作是根据输入得到开（1）或关（0）输出的数字电路激活函数。因此，激活函数是确定神经网络输出的数学方程式。首先我们来了解一下人工神经元的工作原理，大致如下：上述过程可以可视化为：1. Sigmoi

人工智能的浪潮正在席卷全球，诸多词汇时刻萦绕在我们耳边：人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）。本文主要是对李宏毅课程内容进行笔记梳理，参考链接在文末已经给出。10-卷积神经网络（CNN）概述神经网络(neual networks)是人工智能研究领域的一部分，当前最流行的神经网络是深度卷积神经网络(deep convolutional neural networks, CNNs)，虽然卷积网络也存

人工智能的浪潮正在席卷全球，诸多词汇时刻萦绕在我们耳边：人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）。本文主要是对李宏毅课程内容进行笔记梳理，参考链接在文末已经给出。6-batchsize目前深度学习模型多采用批量随机梯度下降算法进行优化，随机梯度下降算法的原理如下:wt+1=wt−η1n∑i∈ϵ∇l(x,wt)w_{t+1}=w_t-\eta\frac{1}{n}\sum_{i\in\epsilon}

Anaconda下载可以从该链接进行下载 https://repo.anaconda.com/archive/Anaconda3-2020.07-Windows-x86_64.exe安装步骤根据安装提示Next即可。这一步建议在C盘根目录下新建一个Anaconda3的文件夹，将Anaconda3安装在该目录下，这样以后会很方便，如果C盘空间不足，也可以选择安装在其他盘下。这一步记得将Anaconda加入到Path环境变量中去至此Anaconda就安装完成了安装后可能会出现的一些

人工智能的浪潮正在席卷全球，诸多词汇时刻萦绕在我们耳边：人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）。本文主要是对李宏毅课程内容进行笔记梳理，参考链接在文末已经给出。6-深度学习简介深度学习的三个步骤Step1：神经网络（Neural network）Step2：模型评估（Goodness of function）Step3：选择最优函数（Pick best function）神经网络神经网

人工智能的浪潮正在席卷全球，诸多词汇时刻萦绕在我们耳边：人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）。本文主要是对李宏毅课程内容进行笔记梳理，参考链接在文末已经给出。5-误差从哪来？Error的来源定义与理解Error = Bias（偏差） + Variance（方差）Error反映的是整个模型的准确度。Bias反映的是模型在样本上的输出与真实值之间的误差，即模型本身的精准度。Variance

人工智能的浪潮正在席卷全球，诸多词汇时刻萦绕在我们耳边：人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）。本文主要是对李宏毅课程内容进行笔记梳理，参考链接在文末已经给出。3-回归线性回归的定义线性回归的定义是：目标值预期是输入变量的线性组合。简单来说，就是选择一条线性函数来很好的拟合已知数据并预测未知数据。回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线

人工智能的浪潮正在席卷全球，诸多词汇时刻萦绕在我们耳边：人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）。本文主要是对李宏毅课程内容进行笔记梳理，参考链接在文末已经给出。1-机器学习介绍人工智能是我们想要达成的目标，而机器学习是想要达成目标的手段，希望机器通过学习方式，他跟人一样聪明。深度学习则是是机器学习的其中一种方法。简而言之就是：机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机

模型表示为了建立将来使用的符号，我们将使用x^ (i)表示“输入”变量(本例中的区域)，也称为输入特征，以及y^(i)表示我们试图预测的“产量”或目标变量。一对(x,y)称为训练示例，我们将使用的数据集—m个训练示例的列表(x(i)，y(i));i=1，…，m称为训练集。注意，符号中的上标“(i)”只是训练集的索引，与取幂无关。我们还将使用X表示输入值的空间，Y表示输出值的空间。代价函数我们...

列举机器学习中python的numpy库常用的几个函数size()函数numpy.size(a, axis=None)a：输入的矩阵axis：int型的可选参数，指定返回哪一维的元素个数。当没有指定时，返回整个矩阵的元素个数。np.vstack()&np.hstack()np.vstack:按垂直方向（行顺序）堆叠数组构成一个新的数组np.hstack:按水平方向（列顺序...

机器学习定义Tom Mitchell给出了一个更现代的定义:“据说，一个计算机程序从经验E中学习某些类型的任务T和性能度量P，如果它在任务T中的性能(用P度量)随着经验E的提高而提高的话。”经验E：程序成千上万次的练习得到的经验任务T：计算机训练时所做的任务性能度量P：计算机训练完成后做下一次任务完成的概率例如:玩跳棋。E =下棋的经验T =下跳棋的任务。P =程序赢得下一场比赛...

前言我们有假设函数，我们有一种方法可以衡量它与数据的匹配程度。现在我们需要估计假设函数中的参数。这就是梯度下降的地方。概念想象一下，我们根据其字段绘制我们的假设函数 θ0和 θ1（实际上，我们将代价函数绘制为参数估计的函数）。我们不是绘制x和y本身，而是我们的假设函数的参数范围以及选择一组特定参数所产生的代价。我们把 θ0在x轴和 θ1在y轴上，在垂直z轴上具有代价函数。我们的图上的点...

定义：基尼指数（基尼不纯度）：表示在样本集合中一个随机选中的样本被分错的概率。 注意： Gini指数越小表示集合中被选中的样本被分错的概率越小，也就是说集合的纯度越高，反之，集合越不纯。即 基尼指数（基尼不纯度）= 样本被选中的概率 * 样本被分错的概率基尼系数的性质与信息熵一样：度量随机变量的不确定度的大小；G 越大，数据的不确定性越高；G 越小，数据的不确定性越低；G = ...