- 博客(16)
- 收藏
- 关注
RSS订阅原创 TensorFlow实战（四）- 使用TensorFlow实现去噪自编码器
一，自编码器简介1，什么是自编码器自编码器，顾名思义，即可以使用自身的高阶特征编码自己。自编码器其实是一种神经网络，它的输入和输出是一致的，它借助稀疏编码的思想，目标是使用稀疏的一些高阶特征重新组合来重构自己。特征如下：期望输入和输出一致。希望使用高阶特征来重构自己，而不只是复制像素点。如下图所示： 因为自编码器希望使用少量稀疏的高阶特征来重构输入，所有有几种限...
2018-03-19 00:38:03
2604
2
原创 TensorFlow实战（三）- 使用SoftMax Regression识别手写体数字（包含基础）
一，TensorFlow实现机器学习算法的基础1，核心步骤1. 定义算法公式，也就是神经网络forward时的计算。 2. 定义loss，选定优化器，并指定优化器优化loss。 3. 迭代地对数据进行训练。 4. 在测试集或验证集上对准确率进行评测。 这几个步骤是TensorFlow进行算法设计、训练的核心步骤，只有当调用run方法，并feed数据时计算才真正执行计算图...
2018-03-17 14:05:42
370
原创 TensorFlow实战（二）- TensorBoard简介
TensorBoard是TensorFlow的一组web组件，用来监控TensorFlow的运行过程或可视化计算图。 TensorBoard目前支持5种可视化：标量图片音频直方图计算图TensorBoard的几种工具:Events DashBoard：可以用来监控运行时的关键指标，如loss、学习速率或者验证集上的准确率。 Image DashBoard：展示训练过...
2018-03-16 22:05:05
297
原创 TensorFlow实战（一）- TensorFlow基础
一，TensorFlow基础架构和主要技术特性 二，TensorFlow编程模型核心概念1，计算图计算图描述了数据的计算流程，也负责维护和更新状态，用户可以对计算图的分支进行条件控制和循环控制。节点(node)：每个节点描述了一个运算操作(operation)，可以有任意多输入和输出。边(edge)：流动着数据，边中流动的数据成为张量(tensor)。...
2018-03-16 19:59:12
493
原创 机器学习实战第八章 - 预测数值型数据：回归
一，线性回归1，线性回归的特点线性回归优点：结果易于理解，计算上不复杂缺点：对非线性的数据拟合不好适用数据类型：数值型和标称型数据2，线性回归的要素(1)线性回归模型：h(xi)=xTi∗wh(x_i) = x_i^T*w (2)目标函数：J(w)=12m∑i=1m(yi−h(xi))J(w) = \frac{1}{2m}\sum_{i=1}^{m}(y_i-h(x_i)) (3)最优
2018-03-16 13:46:26
583
原创 NLP概述
一，NLP问题的提出语言是思维的载体，是人类交流思想、表达情感最自然、最直接、最方便的工具。人类历史上以语言文字形式记载和流传的知识占知识总量的80%上。全世界正在使用的语言有1900多种。所以，如何让计算机自动地理解人类的语言是极其重要的。二，基本概念HLT：人类语言技术NLU：自然语言理解CL：自然语言学NLP：自然语言处理它们之间的关系如下： ...
2018-03-12 20:54:27
851
原创 深度学习概述与基础
一，深度学习的基础结构 - 神经网络神经网络工作流程二，DL与AI、ML的比较AI：任何能使计算机模仿人类行为的技术。ML：是计算机具有在没有显示编程的情况下学习的能力。DL：使用神经网络学习数据底层的特征。1，它们之间的包含关系2，它们之间的原理差异三，欠拟合和过拟合欠拟合的原因可能有：模型本身复杂度不够很难找到目标函数的全局最...
2018-03-12 20:07:11
516
原创 Python自然语言处理第四章 - 编写结构化程序
一，基础1，赋值 2，等式==只是检查两个变量的内容是否相同，并不能判断出它们的标识符是否一样。is是测试对象的标识符是否一样的。二，序列1，元组 例如：>>> t = 'walk', 'fem', 3>>> t('walk', 'fem', 3)2，序列类型上的操作zip()函数与enumerate()函数>>> words = ['I', 'turned', 'off', 'the
2018-03-11 18:32:10
469
原创 机器学习实战第十一章 - 使用Apriori算法进行关联分析
一，关联分析（或关联规则学习）关联分析是一种在大规模数据集中寻找有趣关系的任务。这些关系主要有两种形式：频繁项集：经常出现在一块的物品的集合。关联规则：暗示两种物品之间可能存在很强的关系。量化关联分析是否成功的评价准则也有两个：支持度(support)：支持度是针对频繁项集来定义的，一个项集的支持度被定义为数据集中包含该项集的记录所占的比例。置信度(confidence)...
2018-03-11 15:01:20
964
1
原创 机器学习实战第十章 - K均值聚类算法
一，K均值聚类算法1，特点优点：容易实现。缺点：可能收敛到局部最小值，在大规模数据集上收敛较慢。适用数据类型：数值型数据。2，伪代码创建k个点作为起点质心（经常是随机选择）当任意一个点的簇分配结果发生改变时 对数据集中的每个数据点 对每个质心 计算质心与数据点之间的距离 将数据点分配到距其最近的簇...
2018-03-10 19:40:45
615
原创 Python自然语言处理第三章 - 详解一个简单的分词方法
有些语言的书写系统，由于没有词边界的可视表示这一事实，使得文本分词变得更加困难。 这里介绍一种简单的分词方法。一，分词问题描述对以下没有明显词边界的句子进行分词：doyouseethekittyseethedoggydoyoulikethekittylikethedoggy遇到的第一个挑战仅仅是表示这个问题：我们需要找到一种方法来分开文本内容与分词 标志。 我们可以给每个字符标注一个
2018-03-10 15:28:12
874
原创 Python自然语言处理第三章 - 处理原始文本
一，从网络和硬盘访问文本1，电子书>>> raw = requests.get('http://gutenberg.org/files/2554/2554-0.txt').content>>> raw[:10]b'\xef\xbb\xbfThe Pro'>>> raw = raw.decode('utf-8')[1:]>>> raw[:10]'The Projec'>>> tokens
2018-03-10 14:55:16
768
原创 机器学习实战第七章 - 利用AdaBoost元算法提高分类性能
一，AdaBoost概述AdaBoost是adaptive boosting(自适应boosting)的缩写。 AdaBoost是一种Boosting族的集成学习方法。弱学习器之间是强依赖序列化的，即不同的学习器是通过串行训练而获得的，每个新分类器都根据已训练出来的分类器的性能来进行训练。Boosting是通过集中关注被已有分类器错分的那些数据来获得新的分类器。AdaBoost特点如下：...
2018-03-08 17:10:44
1210
原创 机器学习实战第五章 - Logistic回归（包括GD和SGD的比较）
一，Logistic回归 优点：计算代价不高，易于理解和实现。缺点：容易欠拟合，分类精度可能不高。适用数据类型：数值型和标称型。主要就是利用sigmoid函数σ(z)=11+exp−zσ(z)=11+exp−z\sigma(z)=\frac{1}{1+exp^{-z}}的特点，如下图所示： 令z=WTXz=WTXz=W^TX,如果z>0z>0z>0即σ(z)>...
2018-03-05 16:53:10
1587
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人