| 共 10 篇文章 |
|
贝叶斯定理中的后验概率随着我们的任务有着不同的含义，比如在朴素贝叶斯分类器(见第4章)中，事件A和B分别指类别和需要预测的样本，在线性回归或者线性分类算法中，事件A和B分别指条件分布的参数和训练样本。定理3.4 (共轭先验)：在贝叶斯定理中，如果先验分布和后验分布属于同一类分布，则此时的先验分布和后验分布为一对共轭分布，此时的先验... 阅747 转3 评0 公众公开 22-11-02 21:26 |
大名鼎鼎的傅里叶变换，为何没有一统函数逼近器？ta 提出了疑问，「如果神经网络的主要前提是全局函数逼近器，那么与傅里叶变换等其它也被证明能逼近任何函数的逼近器相比有哪些优势？（快速）傅里叶变换（FFT）可用于从均匀间隔的数据中快速计算傅里叶级数，尽管也存在非均匀 FFT。傅里叶变换轻松处理音频信号，但面对高维数据效率低下网友 @h... 阅8 转0 评0 公众公开 22-01-10 09:16 |
周志华教授：关于深度学习的一点思考 机器学习算法与Python实战 长期跟踪关注统计学、数据挖掘、机器学习算法、深度学习、人工智能技术与行业发展动态，分享Python、机器学习等技术文章。事实上，大训练数据、训练技巧，乃至强力计算设备都不仅限 服务于深度模型，同样可以服务于浅层模型，因此，具备了这些条件并不必然导致深度 模型优... 阅4 转1 评0 公众公开 21-11-28 17:51 |
# 方形核和等步幅m = nn.Conv2d(16, 33, 3, stride=2)# 非方形核和不等步幅和填充m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2))# 非方形核和不等步幅和填充和扩展m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2), dilation=(3, 1))input = torch.randn(20, 16, 50, 100)output = m(input)def __init__(self, qs... 阅11 转1 评0 公众公开 21-10-17 20:38 |
Softmax 函数和它的误解。重磅干货，第一时间送达 AI算法与图像处理 考研逆袭985，非科班跨行AI，目前从事计算机视觉的工业和商业相关应用的工作。前言 Softmax是个大家都熟悉的激活函数，然而，很多人只知道它的表达式，它在网络中的位置，而对一些具体的原因和细节却回答不上来。最后一层的 Softmax 激活函数。 阅7 转0 评0 公众公开 21-10-06 01:18 |
机器学习是一种重在寻找数据中的模式并使用这些模式来做出预测的研究和算法的门类。①选择数据：将你的数据分成三组：训练数据、验证数据和测试数据。首先存在大数据→机器会学习使用训练数据集来进行分类，调节特定的算法来实现目标分类→该计算机可学习识别数据中的关系、趋势和模式。主导流派：贝叶斯。优点：长短期记忆和门控循环单元神经... 阅2 转0 评0 公众公开 21-09-21 18:49 |
特征间的单位（尺度）可能不同，比如身高和体重，比如摄氏度和华氏度，比如房屋面积和房间数，一个特征的变化范围可能是[1000, 10000]，另一个特征的变化范围可能是[?0.1,0.2]，在进行距离有关的计算时，单位的不同会导致计算结果的不同，尺度大的特征会起决定性作用，而尺度小的特征其作用可能会被忽略，为了消除特征间单位和尺度差异的影响，... 阅13 转0 评0 公众公开 20-11-29 14:20 |
一种大胆的想法是，把这些参数看作是高维空间中的低维曲面（更准确的说法是流形，但为了简单起见，本文依然使用“曲面”的概念），然后通过某种方式让Fisher信息量来决定这个曲面的具体形状，以决定这个参数空间的限定条件，从而达到参数降维的目的。从K维参数曲面上的一点出发，沿着测地线行走到曲面的边界处（注意边界规定了参数的取值范围，... 阅44 转0 评0 公众公开 17-03-25 18:27 |
