![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
daisy9212
清澈明朗
展开
-
机器学习研究及最新进展
今天把一些有关机器学习的小点梳理了一下,目录如下: 机器学习的学习方式 机器学习面临的挑战 机器学习最新发展 (还在整理会议论文中……后续补充) 转载处:(1)http://blog.jobbole.com/77620/ (2)谭营教授 《机器学习研究及最新进展》一 机器学习的学习方式 根据数据类型的不同,对一个问题的建模有不同的方式。在机器学习领域,可以根据输转载 2015-10-20 21:13:22 · 1329 阅读 · 0 评论 -
机器学习之模型评估与模型选择
一 模型评估 对于这两种误差,测试误差能够反映学习方法对未知的测试数据集的预测能力,是学习中的重要概念,通常将学习方法对未知数据的预测能力称为泛化能力(generalization ability)。 二 泛化能力和过拟合问题 过拟合是指学习时选择的模型所包含的参数过多,以至于出现一模型对已知参数预测得很好,但对未知参数预测得很差的现象。以一维的回归分析为例,如果用高阶多项式去拟合数转载 2015-11-06 19:58:13 · 1722 阅读 · 0 评论 -
EM算法(算法原理+算法收敛性)
接着高斯模型之后把EM算法的理论部分梳理了一遍,自己也学到很多知识,继续努力。原创 2015-10-27 23:08:18 · 4916 阅读 · 1 评论 -
高斯混合模型(理论部分)
以前用过好几次GMM,做识别,做背景建模,今天因为开始改进一个算法,认真把GMM整理一遍。 文章中例子引用 http://blog.csdn.net/zouxy09/article/details/8537620原创 2015-10-27 19:31:49 · 970 阅读 · 0 评论 -
高斯混合模型(matlab代码+注释)
这里我学习的是Statistical Patte7rn Recognition Toolbox中的emgmm代码,代码中的主要知识点在之前的GMM文档中基本解释清楚,包括EM算法中的两个步骤。我自己先看原理,再去看代码,在给代码注释的过程中我又重新把整个理论体系梳理了一遍,还是很感谢这种方式,踏踏实实地做一件事情。原创 2015-10-28 15:02:26 · 20906 阅读 · 3 评论 -
半监督学习研究
昨天阅读了半监督学习的一些综述,整理如下: 在机器学习的实际应用中,如网页分类、文本分类、基因序列对比、蛋白质功能预测、语音识别、自然语言处理、计算机视觉和基因生物学,很容易找到海量的无类标签的样例,但需要使用特殊设备或经过昂贵且用时非常长的实验过程中进行人工标记才能得到有类标签的样本,由此产生了极少量的有类标签的样本和过剩的无类标签的样例。因此,人们尝试将大量的无类标签的样例加入到有限的有类标签原创 2015-10-30 13:03:06 · 6844 阅读 · 1 评论 -
机器学习之回归分析——Logistic regression
傍晚把李航老师的《统计学习方法》拿出来重新翻阅了一遍,觉得之前看的太不仔细了,现在慢慢整理,从算法原理到实现过程。今天主要看了Logistic regression,之后补上代码和求解目标函数常用的梯度下降法、拟牛顿法。原创 2015-10-31 23:04:26 · 564 阅读 · 0 评论