摘要： Unsurpervised Learning Neighbor Embedding 1、什么是流形学习 2、LLE（Locally Linear Embedding） 3、LE（Laplacian Eigenmaps） 4、T-SNE（t Stochastic Neighbor Embedding） 阅读全文

摘要： Unsurpervised Learning 1、深度生成模型“无中生有” 2、VAE（Variational auto-encoder） 一、什么是VAE、为什么用VAE 二、如何实现VAE 三、关于VAE思考 3、GAN（Generative Adversarial Network） Deep 阅读全文

摘要： 无监督学习 1、无监督学习的概念 什么叫无监督学习（输入都是无label的数据，没有训练集之说） 无监督学习的两大任务：“化繁为简”（聚类、降维）、“无中生有” 2、聚类Clustering（K-means、HAC） 3、降维Dimension Reduction（PCA） 1、无监督学习的概念 一 阅读全文

摘要： Logistic Regression逻辑回归 思路： 1、逻辑回归 vs 线性回归（Logistics Regression VS Linear Regression ） 2、生成模型 vs 判别模型（Generative Model VS Discriminative Model） 3、逻辑回归 阅读全文

摘要： Tips of Deep Learning 1、先检查training 是否有比较好的结果 training优化方法： 1）换激活函数（Sigmoid、ReLU、Maxout、Tanh、Softmax） 2）优化器——优化gd和自适应调学习率（SGD、Adagrad、RMSProp、Momentum 阅读全文

摘要： Deep Learning >DNN（深度神经网络） 思路： 1、什么是深度学习 2、深度学习的步骤 3、如何优化（调参问题描述） 问题描述：参数更新的过程、training data 与参数更新的关系（训练过程） 4、Back Propagation方法update DNN参数 1、什么是深度学习 阅读全文

摘要： Regression 1、首先，什么是regression（回归） 2、然后，实现回归的步骤（机器学习的步骤） step1、model（确定一个模型）——线性模型 step2、goodness of function（确定评价函数）——损失函数 step3、best function（找出最好的一个 阅读全文

摘要： 分类问题：概率生成模型 概念：（从概率生成模型到判别模型） 概率生成模型：由数据学习联合概率密度分布P(X,Y)，然后求出条件概率分布P(Y|X)作为预测的模型。例如：朴素贝叶斯、隐马尔可夫（em算法） 判别模型：由数据直接学习决策函数Y=f(X)或者条件概率分布P(Y|X)作为预测的模型。例如：k 阅读全文

摘要： model的误差来源分析 思路： 1、首先，error的两大来源bias和variance是指什么 2、然后，bias和variance是怎么产生的 3、进一步，如何判断你的model是bias大（欠拟合）还是variance大（过拟合），如何解决 4、最后，结论 1、首先，error的两大来源bi 阅读全文