<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ssblink的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ssblink</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ssblink]]></copyright><item><title><![CDATA[Foundation of ML (1)]]></title><link>https://blog.youkuaiyun.com/ssblink/article/details/100634937</link><guid>https://blog.youkuaiyun.com/ssblink/article/details/100634937</guid><author>ssblink</author><pubDate>Mon, 09 Sep 2019 08:45:24 +0800</pubDate><description><![CDATA[Foundation of Machine Learning 读书笔记]]></description><category></category></item><item><title><![CDATA[DL-损失函数与优化]]></title><link>https://blog.youkuaiyun.com/ssblink/article/details/78824198</link><guid>https://blog.youkuaiyun.com/ssblink/article/details/78824198</guid><author>ssblink</author><pubDate>Sun, 17 Dec 2017 15:39:42 +0800</pubDate><description><![CDATA[上周对于NN的框架有了整体的把握，这周看了一些网络中的核心问题。中间穿插的看了一些视频，主要还是啃DL这本书，把第七章和第八章看完了（跳过了dropout，个人觉得这个对于现阶段的我有点细节）。第七章是正则化问题，着重理解了一些其中证明的过程；第八章是优化问题，书上的讲法偏顶层设计。以后就是对每个网络的研读了。]]></description><category></category></item><item><title><![CDATA[DL--万事开头难]]></title><link>https://blog.youkuaiyun.com/ssblink/article/details/78767418</link><guid>https://blog.youkuaiyun.com/ssblink/article/details/78767418</guid><author>ssblink</author><pubDate>Sun, 10 Dec 2017 20:58:14 +0800</pubDate><description><![CDATA[本周杂事很多，党课上了一周，帮忙完成了一个资本资产定价模型的ppt（也不是太理解），还有党课讨论的笔记有待完成。这周我觉得连NN的门都没有进，所以写了个这个题目。现在由于要做毕设，所以prml的进展还是拖一拖，主要在看Goodfellow的DL、焦老师的新书，然后结合李宏毅老师的视频，框架什么的后面再说吧。下面小记一些想法，以后慢慢解答吧。]]></description><category></category></item><item><title><![CDATA[ML--SVM学习小结（二）]]></title><link>https://blog.youkuaiyun.com/ssblink/article/details/78700232</link><guid>https://blog.youkuaiyun.com/ssblink/article/details/78700232</guid><author>ssblink</author><pubDate>Sun, 03 Dec 2017 10:41:40 +0800</pubDate><description><![CDATA[-上周推导和总结了svm的基本算法，有了基本的一些概念。这周会贴出一些代码和对KKT条件的一些解读，当然理解还不够深刻，后面有机会会继续做一些探讨。在上周二次规划的课堂作业中，老师也对离散和连续问题之间的关系做了一些描述，有了不同角度的认识。同时入门了一下神经网络，不过这周不打算写出来，还没有对具体的算法做一些具体的探讨。这周毕设的题目出来了，在特定的课题背景下做辐照度预测。]]></description><category></category></item><item><title><![CDATA[ML--SVM学习小结（一）]]></title><link>https://blog.youkuaiyun.com/ssblink/article/details/78640183</link><guid>https://blog.youkuaiyun.com/ssblink/article/details/78640183</guid><author>ssblink</author><pubDate>Sun, 26 Nov 2017 21:39:42 +0800</pubDate><description><![CDATA[-上个星期看LR的决定是对的，在我的理解svm算上是更加纯正的最优化问题。代码还没完全理解完，所以下周继续贴啦。SMO算法清晰了我原来对于模型和求解之间关系的模糊概念。顺便思考了张老师布置的二次优化问题，有些许帮助吧，期待老师的答疑。（文章里面一定漏洞百出，以后会慢慢提升自己再后头修改=。=）]]></description><category></category></item><item><title><![CDATA[ML--LR学习小结]]></title><link>https://blog.youkuaiyun.com/ssblink/article/details/78576175</link><guid>https://blog.youkuaiyun.com/ssblink/article/details/78576175</guid><author>ssblink</author><pubDate>Sun, 19 Nov 2017 19:19:19 +0800</pubDate><description><![CDATA[上周学习的是决策树，这周接触了算是第一个最优化问题-Logistic Regression。逻辑斯提回归实际上是一种分类的算法，是广义上的线性回归，与感知机很相似。做个小小的预告，下篇将探讨支持向量机（SVM），算是近期ML学习的一个小的节点，因为接下来将精力转移到深度学习的入门。但扔会一如既往的在博客上更新一些想法，ML的学习不会结束，后面将进行更深入的学习。]]></description><category></category></item><item><title><![CDATA[ML--决策树学习小结]]></title><link>https://blog.youkuaiyun.com/ssblink/article/details/78510307</link><guid>https://blog.youkuaiyun.com/ssblink/article/details/78510307</guid><author>ssblink</author><pubDate>Sun, 12 Nov 2017 10:21:33 +0800</pubDate><description><![CDATA[决策树学习小结（1）
      本文旨在完成回顾学习过程中的思考，见解存在很大局限性，同时也不会很完备，当然由于是个人描述，语言也相当不专业。作为刚入门的小白，以及接下来的6年不到的时间里，会慢慢完善自己的知识树。欢迎大家共同学习，各位大佬指点迷经，执政错误。从决策树（分类）入手，完备自己代码的能力，同时从简单模型入手有助于我完善思考问题的角度。]]></description><category></category></item></channel></rss>