该专栏为热销专栏榜 第51名
超级会员免费看
本文介绍了深度学习的基础概念，包括监督学习、非监督学习、回归和分类任务，以及KNN、CNN、RNN等模型。重点讲解了梯度下降、过拟合、正则化等训练过程中的关键点，还探讨了学习率、激活函数和优化算法如Adam、SGD。此外，还提到了特征提取、反向传播和模型评估指标，如交叉熵损失、支持向量机和决策树。
基本名词介绍
- Supervised/Semi-supervised/Unsupervised Learning
- Regression/Logistic regression/Classification
- KNN/CNN/DNN/GNN/RNN
- Gradient Descent-梯度下降
- Overfitting-过拟合
- Regularization-正则化
- Bias & Variance
- Finetune
- RMS
- Learning Rate-学习率
- Adagrad
- RMSProp
- Momentum
- Adam
- SGD
- SGD with momentum
- Feature Scaling
- Taylor Series
- Cross Entropy-交叉熵
- SVM(Support Vector Machine)-支持向量机
- Decision Tree-决策树
- Activation Function-激活函数
- Feature Extractor-特征提取器
- SoftMax
- Batch Size
- Epoch
- Backpropagation-反向传播
- Keras
- Maxpooling
- Pattern
- Feature Map
- Deep Dream
- Deep Style
- Vanishing Gradient-梯度消失
- ReLU(Rectified Linear Unit)-整流线性单元函数/修正线性单元
- MaxOut
- Weight Decay
- DropOut
- Modularization-模块化
- K-means
- HAC
- PCA
- Encoder/Decoder
- Sigmoid
- Square loss
- Hinge loss
- Kernel
- LSTM(Long Short-Term Memory)-长短期记忆
- Attention-based model
Supervised/Semi-supervised/Unsupervised Learning
Regression/Logistic regression/Classification
KNN/CNN/DNN/GNN/RNN
Gradient Descent-梯度下降
Overfitting-过拟合
Regularization-正则化
Bias & Variance
模型简单，bias大，variance小
模型复杂，bias小，variance大
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
