林宏毅 MachineLearning 25 Semi-supervised note

最新推荐文章于 2021-05-25 19:57:15 发布

原创最新推荐文章于 2021-05-25 19:57:15 发布 · 386 阅读

0 ·

CC 4.0 BY-SA版权

上课专栏收录该内容

1 篇文章

订阅专栏

本文探讨了传导学习(Transductive Learning)与归纳学习(Inductive Learning)两种机器学习方法的区别与联系, 并讨论了未标记数据分布对于学习任务的影响及其背后的假设条件。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

https://www.bilibili.com/video/av15889450/?from=search&seid=5147223863777888795#page=25

Transductive Learning

Inductive Learning

The distribution of the unlabelled data tell us something. Usually with some assumption.

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

xileito

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

机器学习-算法-半监督学习：半监督学习（Semi-supervised Learning）算法

u013250861的博客

12-23

2万+

一、半监督学习算法提出的背景 1、监督学习监督学习：训练样本集不仅包含样本，还包含这些样本对应的标签，即样本和样本标签成对出现。监督学习的目标是从训练样本中学习一个从样本到标签的有效映射，使其能够预测未知样本的标签。监督学习是机器学习中最成熟的学习方法，代表性的算法包括神经网络、支持向量机（SVM）等。 2、无监督学习无监督学习：只能利用训练样本的数据分布或样本间的关系将样本划分到不同的聚类簇或给出样本对应的低维结构。- 因此，无监督学习常被用于对样本进行聚类或降维，典型的算法包括尺均值聚类和主成

李宏毅机器学习15—Semi-supervised learning

weixin_57178683的博客

05-02

1365

Semi-supervised learning（半监督学习）摘要：这节课主要学习了半监督学习，以及半监督学习的两种方法。目录一、什么是Semi-supervised learning 为什么要做Semi-supervised learning 二、Semi-supervised learning for generative model 首先看supervised learning for generative model 实际上Semi-supervised learning for

参与评论您还未登录，请先登录后发表或查看评论

Machine Learning —— Semi-supervised Learning

David_B的博客

05-25

398

Machine Learning —— Semi-supervised Learning Introduction Supervised Learning：(xr,y^r)r=1R(x^r,\hat{y}^r)^R_{r=1}(xr,y^r)r=1R training data中，每一组data都有input 和对应的output Semi-supervised Learning：(xr,y^r)r=1R+(xu)u=RR+U{(x^r,\hat{y}^r)^R_{r=1}+({x^u})^{R+U

台大李宏毅Machine Learning 2017Fall学习笔记 (13)Semi-supervised Learning

Allenlzcoder的博客

01-16

652

台大李宏毅Machine Learning 2017Fall学习笔记 (13)Semi-supervised Learning 本博客参考整理自： http://blog.youkuaiyun.com/xzy_thu/article/details/69808817#t8 半监督学习的训练数据，有一部分是标注数据，有一部分是无标注数据。 Transductive learning(直推学习)和Ind

机器学习（三）半监督学习（Semi-supervised Learning）

goodluckcwl的专栏

03-07

1986

问题：有训练样本DL={(x1,y1),(x2,y2),...,(xl,yl)}D_L = \{(x_1, y_1), (x_2, y_2),...,(x_l, y_l)\} 与未标记样本DU={xx+1,xx+2,...,xl+u}D_U=\{x_{x+1}, x_{x+2},...,x_{l+u} \} 要求：用DLUDUD_LU D_U 训练分类器方法：在DLD_L 上训练分类器

台湾大学林宏毅老师的视频课程（讲深度学习网络讲的非常好）

han____shuai的专栏

05-05

2431

http://speech.ee.ntu.edu.tw/~tlkagk/courses.html

一文看懂半监督学习(Semi-supervised Learning)和自监督学习(Self-Supervised Learning)

热门推荐

qq_44015059的博客

05-30

8万+

1. 机器学习学习任务 1.1 监督学习根据输入-输出样本对L={(x1,y1),⋅⋅⋅,(xl,yl)}L=\{(x1,y1),···,(xl,yl)\}L={(x1,y1),⋅⋅⋅,(xl,yl)}学习输入到输出的映射f:X−>Yf:X->Yf:X−>Y,来预测测试样例的输出值。SL包括分类(Classification)和回归(Regression)两类任务，分类中的样例xi∈Rmx_i∈R^mxi∈Rm(输入空间)，类标签yi∈{c1,c2,⋅⋅⋅,cc}y_i∈\{c_1,c

台湾李宏毅教授深度学习

u012841667的专栏

11-13

9542

1、深度学习，是一个矩阵计算过程，输入层，隐含层，输出层 2、神经元一层层计算 3、链接视频

半监督学习：semi-supervised learning 直推学习：transductive learning 主动学习：active learning

jieming2002的博客

09-28

834

目前，利用未标记示例的主流学习技术主要有三大类：半监督学习（semi-supervised learning）、直推学习（transductive learning）和主动学习（active learning）。 https://blog.youkuaiyun.com/assiduousknight/article/details/18146451 主动学习、纯半监督学习、直推学习的联系与区别 https://www.cnblogs.com/yanmk/p/8118864.html ...

李宏毅深度学习-Improved GAN

一个AI程序媛的成长之路

12-07

958

1. What is f-divergence ?《f-GAN: Training Generative Neural Samplers using Variational Divergence Minimization》, NIPS, 2016 You can use any f-divergence! PP and QQ are two distributions. p(x)p(x)

机器学习系列15-半监督学习

weixin_44406200的博客

06-28

2724

如果本文对你有帮助，请给我的github打个star叭辛苦整理码字不易，免费分享给大家，也希望大家能帮忙点一点下面的图片，给我更多的更新动力叭！半监督学习(semi-supervised learning) 1、introduction 2、Semi-supervised Learning for Generative Model 3、Low-density Separation Assumption：非黑即白 4、Smoothness Assumption：近朱者赤，近墨者黑 5、Better R

GAN的原理（李宏毅GAN笔记）

chengsilin666的博客

07-15

2136

我们通常用GAN来做Gerneration。对于一张图片x，其通常分布在高维空间中的一个流行上。在下图中，位于蓝色区域的点仅有很大的概率出现在我们的database中。那么图像生成的主要任务是什么呢？给定义原始数据的分布，再给定一个以作为参数的概率模型,该模型可以由generator学习得到。我们希望的，便是找到相应的参数，使得原始数据集中的样本x在由G所定义的概率分布中出现的概率...

Semi-supervised Learning ;半监督学习

丁磊_ml的博客

04-02

6878

1. 进入半监督学习 2. 半监督学习出现的原因？？？原因：收集样本数据容易，但是给每个样本打标签成本就很高。 Collecting data is easy, but collecting “labelled” data is expensive. 3. 本篇博客讲解的半监督学习的内容？ 3.1 Semi-supervised Learning for Gene...

深度学习大牛主页

han____shuai的专栏

03-14

1579

主要大牛： University of Toronto Hinton 个人主页http://www.cs.toronto.edu/~hinton/[兼任Google特聘研究员 ] New York University LeCun 个人主页http://yann.lecun.com/ [前段时间Facebook宣布聘请纽约大学教授扬•乐

双温方程补贝塞尔激光加工玻璃

08-14

内容概要：本文深入探讨了双温方程补与贝塞尔激光加工玻璃两大概念。首先介绍了双温方程补作为描述物质中电子和声子间热能传输过程的数学模型及其在材料科学、热力学、光学等领域的广泛应用。接着详细解析了贝塞尔激光加工玻璃技术的工作原理、优势特点以及具体应用场景，强调了其高精度、高效的特点。最后讨论了两者之间的关联性，指出双温方程补为激光加工过程中的能量传递和热效应分析提供了理论支持，展望了未来两者的紧密结合将带来更多创新技术和应用。适合人群：从事物理学、材料科学、光学等相关领域的研究人员和技术人员。使用场景及目标：适用于希望深入了解双温方程补和贝塞尔激光加工玻璃技术原理及其实际应用的专业人士，旨在提升他们对该领域的理解和创新能力。其他说明：文章不仅阐述了现有研究成果，还对未来发展趋势进行了预测，鼓励跨学科合作与技术创新。

matlab模糊自适应控制的三容水箱问题

08-14

matlab模糊自适应控制的三容水箱问题

Redis键过期通知机制及应用场景.doc

08-14

Redis键过期通知机制及应用场景.doc

多种卷积神经网络的实现及在 Mnist 等数据集上的验证

08-14

资源下载链接为： https://pan.quark.cn/s/444b78724310 多种卷积神经网络的实现及在 Mnist 等数据集上的验证（最新、最全版本！打开链接下载即可用！）

React中虚拟DOM的工作原理与优势分析.doc

08-14

React中虚拟DOM的工作原理与优势分析.doc

课程设计 python让你的python从游戏里起飞-飞机大战-全功能代码