人工智能
孙启超
算法改变人生
展开
-
神经网络入门(neural network) ---概述
人工智能的底层模型是"神经网络"(neural network)。许多复杂的应用(比如模式识别、自动控制)和高级模型(比如深度学习)都基于它。一、感知器历史上,科学家一直希望模拟人的大脑,造出可以思考的机器。人为什么能够思考?科学家发现,原因在于人体的神经网络。外部刺激通过神经末梢,转化为电信号,转导到神经细胞(又叫神经元)。无数神经原创 2017-09-05 14:51:58 · 5635 阅读 · 1 评论 -
什么是目标函数,损失函数?目标函数为什么要加正则项?
什么是目标函数?定义是:指所关心的目标与相关的因素的函数关系。举个例子,假如我们想要预测公司楼下手抓饼店明天能卖多少张手抓饼,已知过去10天每天卖多少,以及每天的天气情况,是否有节假日,和手抓饼店老板和老板娘的感情状况,这几项数据都统计好了。对应到目标函数的解释就是:关心的目标是明天能卖多少手抓饼,未知量。相关因素是每天数量,天气情况,节假日,老板老板娘感情状况,已知量。目标函数:按照一定的思路把...原创 2018-03-15 16:48:02 · 10316 阅读 · 2 评论 -
机器学习数学篇--线性代数
嗑就不唠了,直接上内容,可以参考之前的文章:https://xiaozhuanlan.com/topic/2981350467目录线性代数:标量向量矩阵张量集合范数内积向量正交1.标量单独的数 b 构成的元素被称为标量:一个标量 b 可以是整数, 实数2.向量多个标量 b1,b2,⋯,bn按一定顺序组成一个序列,这样的元素就被称为向量,既有大小又有方向。向量可以看作标量的延伸。原始的一个数被替代为原创 2018-01-18 19:55:50 · 724 阅读 · 0 评论 -
机器学习实战篇—人脸识别(Human Face Recognition)
介绍:之前看了一篇在Ubuntu上写的人脸识别,自己在mac下试了一下,觉得有必要再扩展一下,通过一个简单的例子来了解一下人脸识别的过程。准备知识:欧几里得距离:是一个通常采用的距离定义,指在m维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。公式如图:就是说两项间的差是每个变量值差的原创 2017-12-27 20:42:57 · 13197 阅读 · 3 评论 -
机器学习算法篇--卷积神经网络基础(Convolutional Neural Network)
定义:首先来了解一下深度学习的定义:深度学习是以数据的原始形态作为算法输入,经过算法层层抽象将原始数据逐层抽象为自身任务所需的最终特征表示,最后以特征到任务目标的映射作为结束,从原始数据到最终任务目标,“一条龙服务” 并无夹杂任何人为操作。普通话说就是“省去了人为的特征工程,实现完全封闭。是一种‘端到端’的学习方式”,而传统机器学习的天花板是由特征工程决定的。卷积神经网路:是一类特殊的人工原创 2017-12-21 19:48:19 · 4194 阅读 · 0 评论 -
机器学习算法实践-树回归-转
原文地址:http://python.jobbole.com/88822/通常决策树树分裂选择特征的方法有ID3, C4.5算法, C5.0算法和CART树。本文主要使用决策树解决回归问题,使用CART(Classification And Regression Trees)算法。CARTCART是一种二分递归分割的技术,分割方法采用基于最小距离的基尼指数估计函原创 2017-11-22 09:42:49 · 787 阅读 · 0 评论 -
机器学习的分类
分类:目前机器学习主流分为:监督学习,无监督学习,强化学习。监督学习:监督学习可分为“回归”和“分类”问题。在回归问题中,我们会预测一个连续值。也就是说我们试图将输入变量和输出用一个连续函数对应起来;而在分类问题中,我们会预测一个离散值,我们试图将输入变量与离散的类别对应起来。每个数据点都会获得标注,如类别标签或与数值相关原创 2017-11-30 18:59:05 · 11222 阅读 · 0 评论 -
机器学习 - 贝叶斯分类算法
1.贝叶斯定理(Bayes' theorem)描述的是关于随机事件A和B的条件概率。一般情况下,事件A和在事件B发生的条件下的概率,与事件B在时间A发生的条件下的概率是不同的,但这两者之间是存在一定的关系的,贝叶斯定理描述的就是这种关系。记L(A|B)在B发生的条件下A发生的概率。术语:(1) p(A)事件A发生的概率(2) p(A|B)在事件B发生的条件下,A发生的概原创 2017-10-26 10:26:35 · 540 阅读 · 0 评论 -
相似图片搜索的原理
刚才用百度搜索,上传了图片搜索,结果没有出来相关的信息,好吧,还是翻墙打开google,再搜索一下,图片如下:搜索后结果如下:这种技术的原理是什么?计算机怎么知道两张图片相似呢?原理非常简单易懂。我们可以用一个快速算法,就达到基本的效果。这里的关键技术叫做"感知哈希算法"(Perceptual hash algorithm),它的作用是对每张图片生成一个"指纹"原创 2017-09-12 13:40:58 · 555 阅读 · 0 评论 -
神经网络入门---高级应用篇
下面通过车牌自动识别的例子,来解释神经网络所谓"车牌自动识别",就是高速公路的探头拍下车牌照片,计算机识别出照片里的数字。这个例子里面,车牌照片就是输入,车牌号码就是输出,照片的清晰度可以设置权重(w)。然后,找到一种或多种图像比对算法,作为感知器。算法的得到结果是一个概率,比如75%的概率可以确定是数字1。这就需要设置一个阈值(b)(比如85%的可信度),低于这个原创 2017-09-11 13:56:04 · 607 阅读 · 0 评论 -
神经网络入门---中级应用篇
本篇文章介绍两个概念:决策模型和矢量化一. 决策模型单个的感知器构成了一个简单的决策模型,已经可以拿来用了。真实世界中,实际的决策模型则要复杂得多,是由多个感知器组成的多层网络。上图中,底层感知器接收外部输入,做出判断以后,再发出信号,作为上层感知器的输入,直至得到最后的结果。(注意:感知器的输出依然只有一个,但是可以发送给多个目标。)这张图里,信号都是单向的,原创 2017-09-07 14:54:45 · 632 阅读 · 0 评论 -
神经网络入门(neural network)---初级应用篇
神经网络的运作过程:输入和输出权重(w)和阈值(b)多层感知器的结构根据这个过程,我们来看一个简单的例子城里正在举办一年一度的国际跑车展览,李磊拿不定主意,周末要不要去参观他决定考虑三个因素。天气:周末是否晴天?同伴:能否找到人一起去?价格:门票是否可承受?这就构成一个感知器。上面三个因素就是外部输入,最后的决定就是感知器的输原创 2017-09-06 14:34:01 · 733 阅读 · 1 评论 -
一份中外结合的 Machine Learning 自学计划
看了Siraj Raval的3个月学习机器学习计划的视频,感觉非常好,地址:https://www.youtube.com/watch?v=Cr6VqTRO1v0结合一些我们学习中的经验得出一份Hybrid的机器学习自学计划。根据Siraj的建议:机器学习的涉及的知识比例分布的 35%线性代数25%概率论和统计学15%微积分15%算法及其复杂性10%是数据预处理知识强烈建议订阅:Siraj Rav...原创 2018-03-21 15:50:42 · 10164 阅读 · 0 评论