CCH陈常鸿Blog

python3.5TensorFlow 1.3生成式对抗网络（GAN)包含：生成模型和一个判别模型。生成式对抗网络主要解决的问题是如何从训练样本中学习出新样本。from __future__ import print_functionfrom collections import defaultdicttry: import cPickle as pickleexcep

斯坦福《机器学习》吴恩达教授公开课梯度下降课堂讲义：http://cs229.stanford.edu/section/cs229-linalg.pdf梯度下降（Gradient Descent）本章介绍线性回归中最基础的方法--最小二乘法的一个特例基本形式：f(x) = w1x1 + w2x2+ ...+ wixi + bxi是x在第i个特征上的取值；f(x)为模型输

“多一条公式，少一半读者”--霍金饮水不忘挖井人，感谢知乎上关于隐马尔可夫的回答。这里分两部分，第一部分是隐马尔可夫模型“像”什么，第二部分是实际应用中，隐马尔可夫模型的三类问题。第一部分：有一款游戏，里面有个角色，职业是战士，战士有三种状态：正常状态，狂暴状态，防御状态。战士战斗只有两种动作：平A和格挡。正常状态：平A出现暴击的概率为2

先来看一个例子：假设广东娱乐大学里面男生和女生人数比例是3：1,男生中留长发的比例是10%，女生留长发的比例是80%。现在随机观测到N个留长发的学生的背影，推论这N个学生中女生的比例。这里假设学校总人数是U人，P(男)表示U人中男生的比例，即75%，P(长发|男）表示在男里面长发的比例，即10%，这就是个条件概率。那么，同样地，P(女）=25%，P（长发|女）=80%

决策树生成是一个递归过程，是一种简单高效并且具有强解释性的模型，广泛应用于数据分析领域。其本质是一颗由多个判断节点组成的“树”。有一堆水果，其中有香蕉，苹果，杏这三类，现在要对它们分类，可以选择的特征有两个：形状和大小，其中形状的取值有个：圆形和不规则形，大小的取值有：相对大和相对小。现在要对其做分类，我们可以这样做：首先根据特征：形状，如果不是圆形，那么一定是香蕉，这个就是叶子节点；

聚类属于非监督学习，k-mean是聚类中经典算法。非监督学习即是只有样本没有标签。训练数据集{x(1),x(2),…,x(m)}{x(1),x(2),…,x(m)}(其中x(i)∈Rnx(i)∈Rn)和聚类数量KK（将数据划分为KK类）；算法输出是KK个聚类中心μ1,μ2,…,μKμ1,μ2,…,μK和每个数据点x(i)x(i)所在的分类。步骤：1，初始化K个聚类中心μ1,μ2,…,μ

本文参考《TensorFlow技术解释与实战》一书，感谢李嘉璇大佬对社区的贡献python版本3.5tensorflow版本1.3 CPU版本#coding=utf-8from __future__ import print_functionfrom tensorflow.examples.tutorials.mnist import input_dataprint("开始下载

Q-learning属于基于价值（value)的单步更新离线学习强化学习算法；什么是基于价值和单步更新看：http://blog.csdn.net/ilypl/article/details/78539754先来看一个场景：我有一条狗，叫dogedoge一开始不知道在哪里拉粑粑，现在doge有两个选择，一个是到马桶拉，另一个就是在房子里面拉。在S1状态，doge

SVM有严格的数学证明，但挺复杂，我仅粗略地写下这篇文章。用一个二维空间里仅有两类样本的分类问题来举个小例子。假设我们给定了下图左图所示的两类点Class1和Class2（也就是正样本集和负样本集）。我们的任务是要找到一个线，把他们划分开。显然，只要在两堆数据中划一条线就可以。但划线也有很多种画法：那到底哪种分法比较好？SVM试图寻找一个超平面来对样本进行分割，把样

本文转自莫烦大佬了解强化学习中常用到的几种方法,以及他们的区别, 对我们根据特定问题选择方法时很有帮助. 强化学习是一个大家族, 发展历史也不短, 具有很多种不同方法. 比如说比较知名的控制方法Q learning, Policy Gradients, 还有基于对环境的理解的 model-based RL 等等. 接下来我们通过分类的方式来了解他们的区别.Model-free

一般神经网络教程都会用大脑神经网络作类比，但实际上两个根本是不一样的东西，乱用类比学习是一件很危险的事情，知道神经网络是个数学模型就可以了。一个简单的神经网络如下图所示，每一个圆圈表示一个神经元，每个神经元接收上一层神经元的输出作为其输入，同时其输出信号到下一层，其中每一层的第一个神经元称为bias unit，它是额外加入的其值为1，通常用+1表示,下图用虚线画出。X为输入层，thet

哦~从这章开始，要写一个系列有关机器学习的套路。从原理开始吧，机器学习的代码到处都能找到呢。选教程的话，推荐周志华的《机器学习》，视频教程看吴恩达教授的机器学习公开课就可以了。数据集（data set），样本（sample)或特征向量(feature vector），特征(feature)或者属性(attribute),属性值(attribute value)，维数(dimen

在机器学习的监督学习，无监督学习和强化学习中，我最喜欢强化学习，因为强化学习最接近动物的学习方式，而且业务需求特别强烈。Reinforcement Learning(增强学习，以下简称RL ) RL背后的一个核心概念是价值估计，并据此进行相应动作。在继续深入之前，最好先了解一些术语。在RL中，实施动作的个体被称为agent（代理），它使用策略进行动作决策。一个代理通常嵌于一个e

看完基础的神经网络原理，觉得不就先线性回归，然后往回求导更新权值嘛，也不难。但是落实到代码的时候，就写不出来....就是那种道理我都懂，就是做不出来的感觉。 矩阵左乘右乘，矩阵求导看不明白，出门右拐看矩阵论教程，直接就从深度学习到深度厌学了....... 本篇就推荐一个老外phD的网站，他认为即使不用太好的数学也能做机器学习，所以他实现神经网络的方法都没有矩阵计算，老外的网站：...