PRML
仙守
1 - 模式识别硕士;
2 - 研究生方向:深度学习,计算机视觉;
3 - 目前工作内容:目标检测,文本识别;
4 - 未来想发展方向:深度学习,机器学习,增强学习;
5 - 目前在用的框架:tensorflow,opencv;
6 - 语言:python(目前在用),cpp(好久没用了),scala(用了半年)
博客园博客(两边内容不完全一致):http://www.cnblogs.com/shouhuxianjian
展开
-
PRML5-神经网络(1)
本节来自《pattern recognition and machine learning》第5章。五、神经网络 在本书的第3、4章分别是基于回归和分类的线性模型,都是通过将固定的基函数进行线性组合来处理。这些函数虽然分析和计算清晰,可是却受到维数灾难的困扰,当需要将模型用在大规模问题上时,有必要让基函数去适应数据。在后面的第7章介绍的SVM是首先在这些训练数据点中心部分定义原创 2015-07-13 20:58:00 · 2475 阅读 · 0 评论 -
PRML5-神经网络(2)
本节来自《pattern recognition and machine learning》第5章。接(PRML5-神经网络(1))5.5NN中的正则化 NN的输入层和输出层的单元个数都是按照数据集定义的,只有中间的隐藏层的单元个数是自由参数,通过最大似然求得一个最优值,防止出现欠拟合和过拟合。不过泛化误差不是一个简单的关于的函数,因为在误差函数中有许多的局部最小存在,如原创 2015-07-27 09:09:55 · 2526 阅读 · 0 评论 -
PRML1-引言
本系列是根据《pattern recognition and machine learning》一书写的,算是读书笔记?算是吧。数学符号约定: 该书意在能够以最小的数学范围来解释整本书,不过在微积分、现代、概率论上还是不可避免的用到,为了方便概念的理解,所以本书在力求数学上的严谨的同时更多的是从不同的参考资料中将数学符号都能够统一起来。向量表示成小写黑体罗马字母例如,所有的变原创 2015-07-08 14:43:18 · 1547 阅读 · 0 评论 -
PRML2-概率分布
本博文来自《PRML第二章》在第一章中说了对于模式识别问题来说,核心角色就是概率论。本章的目的一方面是为了介绍概率分布,另一方面也是为了对后面遇到的那些复杂问题先打下基础。本章关于分布上的一个讨论核心就是如何在给定有限的观测集合基础上对随机变量的概率分布进行建模,这也被称之为密度估计问题。本章中假设数据都是i.i.d 的。这里我们的强调下密度估计问题其实是个病态问题,因为对于某个观测到的有原创 2015-09-11 09:03:28 · 833 阅读 · 0 评论