深度学习
文章平均质量分 94
Evan_love
Never excuse for failure!
展开
-
误差反向传播算法笔记
复习一下基础。一、机器学习模型的处理方法(1) 数据预处理: 经过数据的预处理,如去除噪声等。比如在文本分类中,去除停用词等。(2) 特征提取:从原始数据中提取一些有效的特征。比如在图像分类中,提取边缘、尺度不变特征变换(Scale Invariant Feature Transform, SIFT)(3)特征转换:对特征进行一定的加工,比如降维和升维。降维包括特征抽取(Feature Extraction)和特征选择(Feature Selection)两种途径。常用的特征转换方法有主成分分析、线原创 2021-09-15 21:15:05 · 1810 阅读 · 0 评论 -
深度学习中的易混淆知识点总结(一)
1、Cost function/Loss function/Objective function借用知乎上面 @WuchangI 的回答:(1) 损失函数(loss function):针对单个样本,衡量单个样本的预测值y^(i)\hat{y}^{(i)}y^(i)与真实值y^(i)\hat{y}^{(i)}y^(i)之间的差距。(2)代价函数/成本函数(Cost function):针对多个样本,衡量多个样本的预测值∑i=1ny^(i)\sum_{i=1}^{n}\hat{y}^{(i)}∑i=原创 2021-08-07 22:24:24 · 490 阅读 · 0 评论 -
基于深度学习的音乐推荐系统简述
本文简要介绍我做的基于深度学习的音乐推荐系统。主要从需求分析与设计实现的角度来进行介绍。(一)需求分析 基于深度学习的音乐推荐系统旨在以个性化音乐推荐模型为基础,使用B/S架构的形式实现。个性化推荐模型使用了 随机梯度下降(SGD)、 K近邻分类算法(KNN)、协同过滤等传统机器学习领域算法进行音乐推荐的,同时使用了类似于Word2vec的词袋模型来对歌词进行文本处理,构建了异构文本网络...原创 2020-04-04 21:15:27 · 16188 阅读 · 51 评论 -
基于深度学习的推荐模型deepFM的理论与实践
一、关于deepFM模型的理论知识参考【1】推荐系统遇上深度学习(三)–DeepFM模型理论和实践二、关于运行环境的搭建参考【2】Windows下用Anaconda安装TensorFlow,并在pycharm中使用三、关于具体代码参考【3】github:https://www.kaggle.com/c/porto-seguro-safe-driver-prediction该代码下有...原创 2019-04-16 11:08:02 · 724 阅读 · 0 评论