tina的博客

ImageNet：非商业化的可视化大数据截止到2015年5月1日，ImageNet数据库拥有超过1500万的图像。         cifar10：10类物体识别数据集数据集中包含60,000幅32*32图像，共10类物体（6,000幅图像/类）其中，50,000作为training images，10,000作为testing images  

李航·统计学习方法笔记·第6章 logistic regression与最大熵模型（2）·最大熵模型标签（空格分隔）： 机器学习教程·李航统计学习方法李航统计学习方法笔记第6章 logistic regression与最大熵模型2最大熵模型最大熵原理1 最大熵原理的基本内容2 最大熵原理的几何意义最大熵模型1 到底应该如何表示分类模型2 最大熵模型的约束条件21 最大熵模型的一个总述

第6章 logistic regression与最大熵模型（1）·Logistic回归模型标签（空格分隔）： 机器学习教程·李航统计学习方法第6章 logistic regression与最大熵模型1Logistic回归模型Logistic distribution1 一维逻辑斯蒂分布的数学定义2 logistic分布的均值和方差3 何时需要用到Logistic分布二项逻辑斯蒂回归模型及其

参考下面是一段matlab代码，可以实现利用Gaussian Radial Basis Function将低维数据映射到高维空间，以二维数据为例：生成一个2D平面figure;axis([-10 10 -10 10])hold ongrid on;利用鼠标在该2D平面上取两组点初始化red = []; %存放第一组点，红色点blue = []; %存放第二组点，蓝色点下面开始手动获取（即用鼠

caffe中的softmaxWithLoss其实是： softmaxWithLoss = Multinomial Logistic Loss Layer + Softmax Layer其中： Multinomial Logistic Loss Layer 即为交叉熵代价函数 Softmax Layer其实就是指softmax function（全连接那一步在它前面的fc中实现）示意图如下：

本文讨论的关键词：Logistic Regression（逻辑回归）、Neural Networks（神经网络）之前在学习LR和NN的时候，一直对它们独立学习思考，就简单当做是机器学习中的两个不同的models，从来没有放在一起观察过，最近通过阅读网络资料，才发现，原来LR和NN之间是有一定的联系的，了解它们之间的联系后，可以更好地理解Logistic Regression（逻辑回归）和Neural

本笔记为Coursera在线课程《Machine Learning》中的单变量线性回归章节的笔记。2.1 模型表示参考视频: 2 - 1 - Model Representation (8 min).mkv 本课程讲解的第一个算法为"回归算法"，本节将要讲解到底什么是Model。下面，以一个房屋交易问题为例开始讲解，如下图所示（从中可以看到监督学习的基本流程）。所使用的数据集为

本笔记为Coursera在线课程《Machine Learning》中的神经网络章节的笔记。八、神经网络：表述(Neural Networks: Representation) 本节主要讨论一种叫做神经网络的机器学习算法。首先讨论神经网络的表层结构，在后续的课程中再讨论具体的学习算法。神经网络其实是一个比较古老的算法，它沉寂过一点时间，但现在又成为了许多机器学习的首选技术。8.1 非线

最近在学习卷积神经网络，哎，真的是一头雾水！最后决定从阅读CNN程序下手！程序来源于GitHub的DeepLearnToolbox由于确实缺乏理论基础，所以，先从程序的数据流入手，虽然对高手来讲，这样有点太小儿科了，但觉得对于个人理解CNN网络的结构和数据流走向有较大帮助！ 下面，将要分析CNN的前向传播算法cnnff.m 本程序所用的神经网络的结构如下图的结构体net所示

《全连接的BP神经网络》 本文主要描述全连接的BP神经网络的前向传播和误差反向传播，所有的符号都用Ng的Machine learning的习惯。下图给出了某个全连接的神经网络图。1前向传播1.1前向传播分别计算第l层神经元的输入和输出；1.1.1偏执项为1时向量整体形式：分量形式：     1.1.2偏执项为b时向量整体形式：分量形式： 

本笔记为Coursera在线课程《Machine Learning》中的数据降维章节的笔记。十四、降维 (Dimensionality Reduction) 14.1 动机一：数据压缩本小节主要介绍第二种无监督学习方法：dimensionality reduction，从而实现数据的压缩，这样不仅可以减少数据所占磁盘空间，还可以提高程序的运行速度。如下图所示的例子，假设有一个具有很多维

参考Quora 为python作者Sebastian Raschka的回答要回答这个问题，首先从线性回归（Linear Regression）说起，然后过度到逻辑回归（Logistic Regression），最后，过度到神经网络（Neural Network）线性回归（Linear Regression）所谓线性回归问题，就是针对某一个问题(例如：房价的预测问题)，利用训练样本求解一个线性模型，