随笔分类 - 0-机器学习/深度学习
摘要：1，一个典型的深度学习项目目录树结构 data 数据集名称1 数据文件1 数据文件2 ... data_process.py 数据说明 数据集名称2 数据文件1 数据文件2 ... data_process.py 数据说明 模型名[1][-V1] model toGithub //有想要保存的git
阅读全文
摘要：0，总览 数据挖掘十大算法/~2007：C4.5决策树、K-均值（k-means）、支持向量机（SVM）、Apriori、最大期望算法（EM）、PageRank算法、AdaBoost算法、k-近邻算法（KNN）、朴素贝叶斯算法（NB）、分类回归树（CART） 本书没有包含：最大期望算法（EM）、Pa
阅读全文
摘要：问题1，模式坍塌（Mode collapse ） 对模式崩溃产生原因的猜想： GAN的学习目标是映射关系G：x➡y，这种单一域之间的对应关系是高度约束不足的，无法为分类器和判别其的训练提供足够的信息输入。 在这种情况下所优化得到的G可以将域X转换为与Y分布相同的域Y'，但是并不能确保单独的输入和输出
阅读全文
摘要：1. 全连接网络与卷积网络 全连接网络的问题 丢失输入数据的空间信息 模型参数过多，容易过拟合 卷积网络的优势 保留空间信息：在卷积运算中，计算范围是在像素点的空间邻域内进行的，它代表了对空间邻域内某种特征模式的提取。对比全连接层将输入展开成一维的计算方式，卷积运算可以有效学习到输入数据的空间信息。
阅读全文
摘要：第1章 统计学习及监督学习概论 统计学习：从给定的、有限的、用于学习的训练数据（training data）集合出发，假设数据是独立同分布产生的；并且假设要学习的模型属于某个函数的集合，称为假设空间（hypothesis space）；应用某个评估准则（evaluation space），从假设空间
阅读全文
摘要：1，WGAN 1.1，从GAN到WGAN，最核心的有这么几点： GAN的损失函数如下： \[ \min_{G}\max_{D}V\{D,G\}=E_{x\sim{P_{data(x)}}}[logD(x)]+E_{x\sim{P_{z(z)}}}[log(1-D(G(z)))] \tag{0} \]
阅读全文
摘要：杂谈 1. 对机器学习问题而言，数据和特征（包括获取先验知识所用到的数据和特征）决定了结果的上限，而模型、算法的选择和优化则是在逐步接近这个上限。 2. 数值型特征归一化 为什么需要进行特征归一化？ 为了消除数据特征之间的量纲影响，使得不同指标处于同一数量级，具有可比性。（尤其在kNN等基于度量的算
阅读全文
摘要：1，GAN的发展历史 总结 The Six Fronts of the Generative Adversarial Networks GAN最早是由Ian J. Goodfellow等人于2014年10月提出的，他的《Generative Adversarial Nets》可以说是这个领域的开山之
阅读全文
摘要：根据模型的训练策略划分： 直推式学习（Transductive Semi-supervised Learning） 无标记数据就是最终要用来测试的数据，学习的目的就是在这些数据上取得最佳泛化能力。 归纳式学习（Inductive Semi-supervised Learning） 认为待识别样本不能
阅读全文
摘要：1，符号 sup 上确界 inf 下确界 := 定义为 argmin 使后面式子达到最小值时变量的取值 argmax 使后面式子达到最大值时变量的取值 i.e. 换句话说（in other word） \((f)_{+}\) 若f的取值大于零则取f本身，否则取零 diag 对角矩阵 2，概念 支撑集
阅读全文
浙公网安备 33010602011771号