勇敢的蜗牛

在线性回归中，对于给定的训练集，用一个线性表达式来拟合所有数据，当训练集中输入变量和目标变量之间的确存在线性关系时，通常拟合的很好。但是如果没有明显的线性关系的话，可能就拟合不到好的效果了。比如下面坐标表示的情形，用一条直线来拟合图上的点显然不是很合适。这种情况叫做欠拟合（underfitting）。通常来说，对待这种情况，特征的选择可能会非常的重要，比如，对于上面的图，如

1.为什么要有参数估计(parameter estimation)研究一个课题的时候，博主的第一反应一般都是”why”。为什么会有这个东东？这个东东到底能解决什么实际问题？ OK，那我们为什么要采用参数估计的方法呢？举个很简单的实际例子，我们国家每隔一段时间需要进行人口普查，但是因为我国国土面积太大，人口太多，不太可能真正挨个人口进行统计，所以可以统计部分人口样本，然后根据这部分样本的

什么是逻辑回归？Logistic回归与多重线性回归实际上有很多相同之处，最大的区别就在于它们的因变量不同，其他的基本都差不多。正是因为如此，这两种回归可以归于同一个家族，即广义线性模型（generalizedlinear model）。这一家族中的模型形式基本上都差不多，不同的就是因变量不同。如果是连续的，就是多重线性回归；如果是二项分布，就是Logistic回归；

[-]第一步介绍深度学习第二步学习技术第三步反向传播和梯度下降第四步实践第五步卷积神经网络和计算机视觉第六步递归网和语言处理第七步更深入的课题七步理解深度学习By Matthew Mayo     翻译by Andrewseu网上有很多的深度学习的免费学习资源，但是可能会对从哪里开始有些困惑。七步内从对深度神经网络的模糊理解到知识渊博的从业者（knowl

我们知道Logistic回归只能进行二分类，因为它的随机变量的取值只能是0或者1，那么如果我们面对多分类问题怎么办？比如要将一封新收到的邮件分为垃圾邮件，个人邮件，还是工作邮件；根据病人的病情预测病人属于哪种病；对于诸如MNIST手写数字分类（MNIST是一个手写数字识别库，相见：http://yann.lecun.com/exdb/mnist/）。诸如此类问题都涉及到多分

假设有函数：，我们希望找到满足的值. 这里是实数. 牛顿方法执行下面的更新：  下图为执行牛顿方法的过程：  简单的来说就是通过求当前点的导数得到下一个点.用到的性质是导数值等于该点切线和横轴夹角的正切值.令，我们可以用同样的算法去最大化 牛顿方法的一般化： 如果是一个向量，那么：  其中，是对的偏导数； H称为黑塞矩阵(Hessia

原文地址：http://www.hankcs.com/ml/back-propagation-neural-network.html?utm_source=tuicool&utm_medium=referral我一直在找一份简明的神经网络入门，然而在中文圈里并没有找到。直到我看到了这份162行的Python实现，以及对应的油管视频之后，我才觉得这就是我需要的极简入门资料。这份极简入

1.原始问题假设是定义在上的连续可微函数（为什么要求连续可微呢，后面再说，这里不用多想），考虑约束最优化问题：称为约束最优化问题的原始问题。现在如果不考虑约束条件，原始问题就是：因为假设其连续可微，利用高中的知识，对求导数，然后令导数为0，就可解出最优解，很easy. 那么，问题来了（呵呵。。。），偏偏有约束条件，好烦啊，要是能想办法把约束条

yoloV3在经过多个卷积和上采样之后最终得到的是三个卷积结果，每一个卷积结果的长和宽分别是（13x13,26x26,52x52),深度信息是 [4(box信息)+1(物体判别信息)+80(classNum置信度)] *3(每个点上面计算几个anchor)yolo层的作用就是对这些信息进行解码操作。首先需要明白的是yolo层对3个anchor box信息不去重，如果三个anchor 都满足条件的...