Fork me on GitHub

06 2018 档案

【强化学习篇】--强化学习案例详解一
摘要：一、前述 本文通过一个案例来讲解Q-Learning 二、具体 1、案例 假设我们需要走到5房间。 转变为如下图：先构造奖励，达到5，即能够走得5的action则说明奖励比较高设置成100，没有达到5说明奖励比较低，设置成0。 Q-learning实现步骤： 2、案例详解： 第一步的Q(1,5)：最 阅读全文
posted @ 2018-06-30 23:09 L先生AI课堂 阅读(5003) 评论(1) 推荐(0)
【强化学习篇】--强化学习从初识到应用
摘要：一、前述 强化学习是学习一个最优策略(policy)，可以让本体(agent)在特定环境(environment)中，根据当前的状态(state)，做出行动(action)，从而获得最大回报(G or return)。 通俗点说：学习系统没有像很多其它形式的机器学习方法一样被告知应该做出什么行为，必 阅读全文
posted @ 2018-06-30 16:46 L先生AI课堂 阅读(908) 评论(0) 推荐(0)
【Caffe篇】--Caffe solver层从初始到应用
摘要：一、前述 solve主要是定义求解过程，超参数的 二、具体 阅读全文
posted @ 2018-06-30 14:26 L先生AI课堂 阅读(407) 评论(0) 推荐(0)
【Caffe篇】--Caffe从入门到初始及各层介绍
摘要：一、前述 Caffe，全称Convolutional Architecture for Fast Feature Embedding。是一种常用的深度学习框架，主要应用在视频、图像处理方面的应用上。caffe是一个清晰，可读性高，快速的深度学习框架。作者是贾扬清，加州大学伯克利的ph.D，现就职于F 阅读全文
posted @ 2018-06-30 12:20 L先生AI课堂 阅读(2958) 评论(0) 推荐(0)
【Numpy应用】--对于图片处理的机器学习库的应用
摘要：一。思路 二。代码：#coding:utf-8 import numpy as np import PIL.Image as Image import pickle as p import os class ImageTools(object): image_dir='images/' result_dir='results/' data_file_path='... 阅读全文
posted @ 2018-06-26 10:16 L先生AI课堂 阅读(530) 评论(0) 推荐(0)
【机器学习】--时间序列算法从初识到应用
摘要：一、前述 指数平滑法对时间序列上连续的值之间的相关性没有要求。但是，如果你想使用指数平滑法计算出预测区间， 那么预测误差必须是不相关的， 且必须是服从零均值、 方差不变的正态分布。即使指数平滑法对时间序列连续数值之间相关性没有要求，在某种情况下， 我们可以通过考虑数据之间的相关性来创建更好的预测模型 阅读全文
posted @ 2018-06-26 00:08 L先生AI课堂 阅读(2938) 评论(0) 推荐(0)
【机器学习】--集成算法从初始到应用
摘要：一、前述 集成思想就是让很多个训练器决定一个结果，目的：让机器学习效果更好，单个不行，群殴走起。 二、具体 1、概述 2、Bagging模型 全称： bootstrap aggregation（说白了就是并行训练一堆分类器），最典型的代表就是随机森林啦。 随机：数据采样随机，特征选择随机 森林：很多 阅读全文
posted @ 2018-06-22 02:03 L先生AI课堂 阅读(431) 评论(0) 推荐(0)
【机器学习】--SVM从初始到应用
摘要：一、前述 SVM在2012年前还是很牛逼的，但是12年之后神经网络更牛逼些，但我们还是很有必要了解SVM的。 二、具体 1、问题引入 要解决的问题：基于以下问题对SVM进行推导 3条线都可以将两边点分类，什么样的决策边界才是最好的呢？ 特征数据本身如果就很难分，怎么办呢？计算复杂度怎么样？能实际应用 阅读全文
posted @ 2018-06-18 19:59 L先生AI课堂 阅读(1472) 评论(0) 推荐(0)
【机器学习】--xgboost初始之代码实现分类
摘要：一、前述 上节我们讲解了xgboost的基本知识，本节我们通过实例进一步讲解。 二、具体 1、安装 默认可以通过pip安装，若是安装不上可以通过https://www.lfd.uci.edu/~gohlke/pythonlibs/网站下载相关安装包,将安装包拷贝到Anacoda3的安装目录的Scrr 阅读全文
posted @ 2018-06-18 17:31 L先生AI课堂 阅读(8768) 评论(0) 推荐(0)
【机器学习】--xgboost从初识到应用
摘要：一、前述 在 Kaggle 的很多比赛中，我们可以看到很多 winner 喜欢用 xgboost，而且获得非常好的表现，今天就来看看 xgboost 到底是什么以及如何应用。Gradient boosting 是 boosting 的其中一种方法，所谓 Boosting ，就是将弱分离器 f_i(x 阅读全文
posted @ 2018-06-14 02:16 L先生AI课堂 阅读(642) 评论(0) 推荐(0)
【机器学习】--隐语义模型
摘要：一、前述 隐语义模型是近年来推荐系统领域较为热门的话题，它主要是根据隐含特征将用户与物品联系起来。 因为用户和物品之间有着隐含的联系。所以把用户转成隐语义，然后物品转成隐语义组合，通过中介隐含因子连接。 二、具体 1、隐语义模型举例和求解 N代表用户，M代表物体 第一步：先分解 将用户分解成F个因子 阅读全文
posted @ 2018-06-12 01:42 L先生AI课堂 阅读(2230) 评论(0) 推荐(0)
【机器学习篇】--SVD从初始到应用
摘要：SVD一般应用场景--推荐系统，图像压缩。 1、直观感受。 SVD其实就是将矩阵分界，直观感受如图。就是将A矩阵分界成U，S，V三个矩阵相乘。一般推荐系统中用的多。S是对角阵，里面的特征值是从大到小排列的。 2、前述知识。 一个矩阵乘以一个向量结果还是一个向量，并且等于原始向量的倍，相当于对原始向量 阅读全文
posted @ 2018-06-12 00:15 L先生AI课堂 阅读(550) 评论(0) 推荐(0)
【深度学习篇】--Seq2Seq模型从初识到应用
摘要：一、前述 架构： 问题： 1、压缩会损失信息 2、长度会影响准确率 解决办法： Attention机制：聚焦模式 “高分辨率”聚焦在图片的某个特定区域并以“低分辨率”，感知图像的周边区域的模式。通过大量实验证明，将attention机制应用在机器翻译，摘要生成，阅读理解等问题上，取得的成效显著。 比 阅读全文
posted @ 2018-06-07 01:22 L先生AI课堂 阅读(1482) 评论(0) 推荐(0)