摘要：
概率图模型 概率图模型把基于图的表示作为在高维空间上紧凑编码复杂分布的基础. 下图中, 节点 (或椭圆) 与问题中的变量对应, 而边与它们之间的直接概率交互对应: 在线查询: http://pgm.stanford.edu/ 中译本: 概半图模型：原理与技术 / (美国) Kollcr D., (以 阅读全文
摘要：
第 1 章 凸优化基础 无论做任何事情，人们总是希望以最小的代价获得最大的利益，力求最好! 为此，人们发明各式各样的数学工具：导数，积分等。 现代优化理论大都来源于处理多元问题的理论，它有三个重要的基础： 矩阵理论： 矩阵 是描述多元问题的最基本的工具，为多元问题分析和求解提供了基本的数据结构，同时 阅读全文
摘要：
理论基础 下面该栏目列出一些可能会用到的已经证实的理论! 大多数的理论均来自[^1]. [^1]: 匡继昌.实分析与泛函分析[M].北京:高等教育出版社.2002.8 对于 $\forall x,y,z \in X$, 若存在映射 $$ \begin{aligned} d:\; &X \times 阅读全文
摘要：
<! Get Font awesome from cdn / ! Twitter Bootstrap / / ! Bootstrap v3.3.7 (http://getbootstrap.com) Copyright 2011 2016 Twitter, Inc. Licensed under M 阅读全文
摘要：
"Converting notebooks to other formats¶" 一个好用的扩展库: 或者 (推荐) 关联Jupyter Notebook和conda的环境和包——“nb_conda”☆ (可以在Conda类目下对conda环境和包进行一系列操作)： "Use Jupyter Not 阅读全文
摘要：
上接 "梯度寻优 (二)" "Notebook" 在 "梯度寻优" 中我们提到了「凸集与分离定理」，由此我们知道: 使用最优化方法分类数据集就是寻找支撑超平面的过程. 如果此超平面是一个 $n$ 维的线性方程组, 我们就称之为 线性分类器 (神经网络, 支持向量机, 深度学习等非线性分类器以其为理论 阅读全文
摘要：
上接 "凸优化基础" 扩展： "机器学习中的几个概念的关系" 2.1 逐次逼近法 使用主元消去法求解线性方程组 $Ax = b$ 相信大家都不陌生，但是对于 $A$ 的阶数很大且零元素很多的大型稀疏矩阵方程组，使用主元消去法求解将会是一个很大的挑战。鉴于此，逐次逼近法 (或称为 "迭代法" [^1] 阅读全文
摘要：
目前, 机器学习主要由以下三条主线进行发展: DeepLearning 算法 (DL, 深度学习: 2010 年前后由多伦多大学的 Geoffrey Hinton 提出) 与衍生的 卷积神经网络 (CNN, 有监督) 和深度置信网络 (DNN, 无监督) 在计算机视觉、语言识别和部分自然语言处理领域 阅读全文
摘要：
"Latex TikZ和PGF 高级文本绘图，思维绘图，想到 得到" "TikZ入门教程" "Matplotlib使用经验" "利用tikz network和python画复杂的网络图" 使用 Netscope（神经网络结构在线可视化工具 ）绘制网络结构视图 1. 打开 "链接" 2. 将所要绘制的 阅读全文
摘要：
概要 机器学习算法能够实现 数据转换为知识 . 监督学习 监督学习的主要目的是使用有类标的训练数据构建模型, 然后使用经过训练得到的模型对未来数据进行预测. 强化学习 强化学习的目标是构建一个系统 (Agent), 在与环境 (environment) 交互的过程中提高系统的性能. 环境的当前状态信 阅读全文