Fork me on GitHub
摘要: 转自:http://blog.pluskid.org/?p=533 总觉得即使是“浅谈”两个字,还是让这个标题有些过大了,更何况我自己也才刚刚接触这么一个领域。不过懒得想其他标题了,想起来要扯一下这个话题,也是因为和朋友聊起我自己最近在做的方向。Manifold Learning 或者仅仅 Mani 阅读全文
posted @ 2020-04-27 13:50 Veagau 阅读(449) 评论(0) 推荐(0) 编辑
摘要: 论文信息:Snell J, Swersky K, Zemel R. Prototypical networks for few shot learning[C]//Advances in Neural Information Processing Systems. 2017: 4077 4087. 阅读全文
posted @ 2020-01-07 23:34 Veagau 阅读(2595) 评论(0) 推荐(0) 编辑
摘要: 论文信息:Ravi S, Larochelle H. Optimization as a model for few shot learning[J]. 2016. 博文作者: "Veagau" 编辑时间:2020年01月07日 本文是2017年ICLR的会议论文,作者来自Twitter公司。在论文 阅读全文
posted @ 2020-01-07 23:33 Veagau 阅读(1712) 评论(0) 推荐(0) 编辑
摘要: 论文信息:Vinyals O, Blundell C, Lillicrap T, et al. Matching networks for one shot learning[C]//Advances in neural information processing systems. 2016: 3 阅读全文
posted @ 2020-01-07 23:31 Veagau 阅读(2666) 评论(2) 推荐(0) 编辑
摘要: 论文信息:Santoro A, Bartunov S, Botvinick M, et al. One shot learning with memory augmented neural networks[J]. arXiv preprint arXiv:1605.06065, 2016. 博文作 阅读全文
posted @ 2020-01-07 23:30 Veagau 阅读(2375) 评论(0) 推荐(0) 编辑
摘要: 论文信息:Hochreiter S, Younger A S, Conwell P R. Learning to learn using gradient descent[C]//International Conference on Artificial Neural Networks. Spri 阅读全文
posted @ 2020-01-07 23:29 Veagau 阅读(1064) 评论(0) 推荐(0) 编辑
摘要: 转自:https://blog.csdn.net/carrierlxksuper/article/details/12453307 最近接触了一点雅克比的东西,以前学习雅克比矩阵和雅克比行列式是在高数上,就知道个二重积分的时候可以用一下,其他的真没遇到过。最近在学习随机过程,在涉及到随机变量转化求解 阅读全文
posted @ 2020-01-04 20:09 Veagau 阅读(2286) 评论(0) 推荐(0) 编辑
摘要: 论文信息:Lake B M, Salakhutdinov R, Tenenbaum J B, et al. Human level concept learning through probabilistic program induction[J]. Science, 2015, 350(6266 阅读全文
posted @ 2019-12-31 12:04 Veagau 阅读(996) 评论(0) 推荐(0) 编辑
摘要: 译者:Veagau(https://www.cnblogs.com/veagau/) 参考: "【蒂宾根大学PPT】" 时间:2019年12月31日 参数化模型 英文名称:Parametric Model 假设模型由有限组参数限定。在给定参数 $\theta$ 下(对数据分布进行假设),未来的预测值 阅读全文
posted @ 2019-12-31 09:07 Veagau 阅读(2830) 评论(0) 推荐(0) 编辑
摘要: 转自:https://lotabout.me/2018/kernel density estimation/ Table of Contents1. 什么是“核”2. 核密度估计3. 选择合适的带宽4. 参考有一些数据,想“看看”它长什么样,我们一般会画直方图(Histogram)。现在你也可以用核 阅读全文
posted @ 2019-12-30 23:21 Veagau 阅读(8580) 评论(0) 推荐(0) 编辑