Hinton神经网络公开课2 The Perceptron learning procedure

最新推荐文章于 2025-09-05 14:24:44 发布
转载 最新推荐文章于 2025-09-05 14:24:44 发布 · 81 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://my.oschina.net/hankcs/blog/857995
文章标签：

#人工智能

本文分享了多伦多大学教授Geoffrey Hinton的神经网络公开课笔记，重点介绍了权重空间的概念及其应用，并探讨了感知机的学习过程。

为什么80%的码农都做不了架构师？>>>   hot3.png

14051623_TD5W.jpg本文由码农场 同步，最新版本请查看原文：http://www.hankcs.com/?p=9190
Hinton神经网络公开课2 The Perceptron learning procedure
这是多伦多大学Professor Geoffrey Hinton的Neural Networks for Machine Learning公开课笔记，只记录难点，我已经掌握的知识点则不做记录。Weight space通常讲解感知机的时候，都是将实例看做多维空间上的一个点，点的坐标为对应的特征向量(data space)。但这里没有进行特征向量->点的转换，而是进行了参数向量->点的转换（weight space）。首先理解上图的前提是，要明白特征向量的维度与参数向量、weight sp...

继续阅读：码农场 » Hinton神经网络公开课2 The Perceptron learning procedure

原文链接：http://www.hankcs.com/ml/the-perceptron-learning-procedure.html


感谢阅读本文，欢迎访问 码农场 获取更多内容或 查看原文

转载于:https://my.oschina.net/hankcs/blog/857995

一文搞定BP神经网络——从原理到应用（原理篇）
佐井白白的微笑
10-11 26万+
神经网络结构以及前向传播过程 损失函数和代价函数 反向传播 1 矩阵补充知识 11 矩阵求梯度 12 海塞矩阵 13 总结 2 矩阵乘积和对应元素相乘 3 反向传播原理四个基础等式 4 反向传播总结 41 单样本输入公式表 42 多样本输入公式表 本文小结 Hello，对于神经网络的原理，我入门了好多次，每次都觉得懂了，但是其实内部原理并没有理解透彻。经过不懈努力，终于茅塞顿开，遂总结此文。 本
Geoffrey Hinton的coursera神经网络公开课3~4章（内嵌字幕）
08-11
标题和描述中提到的是Geoffrey Hinton在Coursera上的神经网络公开课的第三和第四章，这是一门深入探讨深度学习的课程。Hinton博士是深度学习领域的先驱者，他的课程通常涵盖该领域的重要概念和技术。在这个部分，他...
神经网络之父Hinton介绍及其论文介绍
zephyr_wang的博客
09-20 2万+
1简介 杰弗里·埃弗里斯特·辛顿（Geoffrey Everest Hinton），计算机学家、心理学家，被称为“神经网络之父”、“深度学习鼻祖”。他研究了使用神经网络进行机器学习、记忆、感知和符号处理的方法，并在这些领域发表了超过200篇论文。他是将（Backpropagation）反向传播算法引入多层神经网络训练的学者之一，他还联合发明了波尔兹曼机（Boltzmann machine）。他对于神经网络的其它贡献包括：分布特征（distributed representation）、时延神经网络、专家混合
Hinton神经网络公开课编程题2--神经概率语言模型（NNLM）
天泽28的专栏
06-03 6215
Hinton公开课编程题2--神经概率语言模型（NNLM）  这周的编程题主要是实现一个神经概率语言模型（NNLM），不过基础的大框架都搭好了，需要编程的部分也是以选择题的形式给出的。这都不重要，重要的还是我们要理解这个神经概率语言模型是如何work的，其实这其中最重要的点就是word embedding（词嵌入）了。这个模型我看了很长时间，因为我刚开始接触NLP，而且这篇博客只当做个人的笔记，
“神经网络之父”和“深度学习鼻祖”Geoffrey Hinton
u013600306的博客
06-03 1400
GLOM架构的提出：在最新的研究中，Hinton提出了GLOM架构，这是一种可以在神经网络中使用胶囊来表示视觉层次结构的新方法。胶囊网络是一种全新的神经网络结构，旨在通过封装和组合多个低层次的特征来形成高层次的特征，从而提高模型的表达能力和鲁棒性。深度学习概念的提出：Hinton等人在2006年提出了深度学习的概念，并基于深度置信网络（DBN）提出了非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来了希望。这一算法在神经网络训练中起到了至关重要的作用，为深度学习的发展奠定了坚实的基础。
机器学习之殇——神经网络的发展历程
镜悬xhs
04-30 2219
最近各种大模型横行，你想知道大模型是怎么来的吗？这篇文章将给你从远古开始，详细介绍大模型的前世今生！（评论有团队招聘哦，欢迎投递简历）
卷积神经网络超详细介绍
热门推荐
呆呆的猫的博客
09-19 62万+
海量的有标记的训练数据，也就是李飞飞团队提供的大规模有标记的数据集ImageNet计算机硬件的支持，尤其是GPU的出现，为复杂的计算提供了强大的支持算法的改进，包括网络结构加深、数据增强（数据扩充）、ReLU、Dropout等AlexNet之后，深度学习便一发不可收拾，分类准确率每年都被刷榜，下图展示了模型的变化情况，随着模型的变深，Top-5的错误率也越来越低，目前已经降低到了3.5%左右，同样的ImageNet数据集，人眼的辨识错误率大概为5.1%，也就是深度学习的识别能力已经超过了人类。
深入探究深度学习、神经网络与卷积神经网络以及它们在多个领域中的应用
dvlinker的技术专栏
10-25 2万+
深入探究深度学习、神经网络与卷积神经网络以及它们在多个领域中的应用
卷积神经网络（CNN）详解
zdx2585503940的博客
04-19 6375
卷积神经网络是多层感知机 (MLP)的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的细胞存在一个复杂的构造，这些细胞对视觉输入空间的子区域非常敏感，称之为感受野。CNN由纽约大学的Yann Lecun（杨立昆）于1998年提出(LeNet-5)，其本质是一个多层感知机，成功的原因在于其所采用的局部连接和权值共享的方式：一方面减少了权值的数量使得网络易于优化；另一方面降低了模型的复杂度、减小了过拟合 的风险。当网络的输入为图像时，这些优点将表现地更加明显。2006年，
从神经网络的起源到诺贝尔奖：解密 John Hopfield 和 Geoffrey Hinton 的深远贡献
YeJuliaLi的博客
10-15 1537
2024年，诺贝尔物理学奖授予了 John Hopfield 和 Geoffrey Hinton 两位科学家，以表彰他们在神经网络领域的奠基性贡献。如今，神经网络已经成为人工智能领域的核心技术之一，但为什么这项技术会获得诺贝尔物理学奖？这其实要从神经网络的发展历程说起。* 2024年诺贝尔物理学奖得主：John Hopfield 和 Geoffrey Hinton01神经网络的起源与发展神经网络的...
Geoffrey Hinton的coursera神经网络公开课7-8章（内嵌字幕）
08-12
标题中的"Geoffrey Hinton的coursera神经网络公开课7-8章（内嵌字幕）"指的是一门由著名计算机科学家Geoffrey Hinton在Coursera平台上开设的神经网络课程的第七和第八章，这门课程可能包含了深度学习领域的核心概念...
Hinton 神经网络与机器学习笔记（TingxunShi）
04-20
在深入讨论Hinton教授关于神经网络与机器学习的笔记之前，首先需要明确机器学习的概念。机器学习是一门研究计算机如何利用数据进行学习的学科，其目的在于开发出能够从数据中获取信息、识别模式并进行预测的算法。...
Geoffrey Hinton的coursera神经网络公开课5-6章（内嵌字幕）
08-10
Geoffrey Hinton的coursera神经网络公开课5-6章（内嵌字幕） Geoffrey Hinton的coursera神经网络公开课5-6章（内嵌字幕） Geoffrey Hinton的coursera神经网络公开课5-6章（内嵌字幕）
[Deep Learning] 神经网络基础 .pdf
06-11
特别是2006年Geoffrey Hinton提出了一种高效的预训练技术，显著提高了神经网络的性能。 - **应用领域**：深度学习在图像识别、语音识别、自然语言处理等多个领域取得了突破性的进展。 #### 6. 总结 - **神经网络的...
STM32传感器模块编程实践(十六)DIY人脸识别智能垃圾桶模型
光子物联
09-05 849
本文介绍了一种基于STM32单片机的人脸识别智能垃圾桶模型。该系统由STM32F103C8T6主控芯片、ASR-PRO语音交互模块、SG90舵机和人脸识别模块组成。语音模块用于验证口令，只有口令正确才能录入人脸；识别成功后舵机带动垃圾桶盖打开。控制流程包括人脸识别、语音交互和舵机驱动，通过串口指令实现人脸录入与识别。系统采用STM32CubeMX配置GPIO、PWM和串口参数，Keil5编写控制程序，最终实现人脸识别控制垃圾桶
怎么快速构建一个deep search模型呢
最新发布
qq_57565004的博客
09-05 696
本文提出了一种快速构建具备深度信息检索能力的智能体系统（DeepSearch）的方法。该方法采用分阶段开发策略：首先基于RAG架构搭建基础检索链路，再通过LangChain框架整合大语言模型和搜索引擎API，赋予系统自主规划与迭代搜索能力，最终实现多源信息整合和结构化报告生成。技术选型上强调利用开源工具（如LangChain、ChromaDB）和预训练模型，通过"思考-检索-整合-迭代"的智能体工作流，高效构建可验证原型的核心功能。
2025年09月03日最热门的开源项目(Github)
09-04 682
模型常见训练超参数介绍(1)
my java博客园
09-02 1783
【摘要】本文总结了BERT/RoBERTa模型调参的关键策略：1）训练轮数需平衡过拟合与欠拟合，NER任务通常10+轮，分类任务3-5轮，推荐使用早停机制；2）学习率建议2e-5~5e-5，过高易震荡，过低收敛慢；3）batch size需适配显存，大batch需配合高学习率；4）warmup steps设为总步数5-20%，稳定训练初期；5）weight decay建议0.01-0.1，防止过拟合。调参时应监控训练/验证损失曲线，结合任务复杂度动态调整参数组合。（149字）
机器学习基础-day03-机器学习中的线性回归
XZSSWJS的博客
09-04 936
初学小小白，个人笔记使用，仅供参考
Hinton深度学习课程：神经网络与机器学习
Hinton在该课件中可能详细介绍了神经网络的工作原理、前馈网络、反向传播算法、正则化、优化算法、卷积神经网络（CNN）、递归神经网络（RNN）、长短期记忆网络（LSTM）等关键概念和技术。 5. 视频资源获取： 通过...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值