![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
jiangjingxuan
这个作者很懒,什么都没留下…
展开
-
大数据竞赛平台——Kaggle 入门篇
这篇文章适合那些刚接触Kaggle、想尽快熟悉Kaggle并且独立完成一个竞赛项目的网友,对于已经在Kaggle上参赛过的网友来说,大可不必耗费时间阅读本文。本文分为两部分介绍Kaggle,第一部分简单介绍Kaggle,第二部分将展示解决一个竞赛项目的全过程。如有错误,请指正!1、Kaggle简介Kaggle是一个数据分析的竞赛平台,网址:https://www.kaggle.co转载 2017-02-17 16:50:20 · 1693 阅读 · 0 评论 -
深度学习零基础进阶第四弹
编者按:时隔一段时间,雷锋网独家奉送的深度学习零基础进阶第四弹又来了!经过前面三篇文章的研究和学习,相信大家在深度学习的方式与深度学习在不同领域的运用都有了一定的了解。而本次雷锋网所推荐的论文,主要集中于自然语言处理层面,相对于此前比较枯燥的理论阶段,相信以下的内容会更能让初学者们有的放矢。原文首发于 GitHub,作者 songrotek,文章名为《Deep-Learning-Papers-转载 2017-02-27 08:20:48 · 483 阅读 · 0 评论 -
深度学习零基础进阶第三弹
雷锋网曾编译《干货分享 | 深度学习零基础进阶大法!》,相信读者一定对深度学习的历史有了一个基本了解,其基本的模型架构(CNN/RNN/LSTM)与深度学习如何应用在图片和语音识别上肯定也不在话下了。今天这一部分,我们将通过新一批论文,让你对深度学习的方式与深度学习在不同领域的运用有个清晰的了解。由于第二部分的论文开始向细化方向延展,因此你可以根据自己的研究方向酌情进行选择。雷锋网对每篇论文都增加转载 2017-02-27 08:20:14 · 731 阅读 · 0 评论 -
深度学习零基础进阶第一弹
pixabay编者按:新手上路都会有一个疑问,如果自己没有相关基础,如何学习晦涩的专业知识?此前雷锋网(公众号:雷锋网)编译了《从0到1:我是如何在一年内无师自通机器学习的?》,这篇文章讲述了 Per Harald Borgen 的自学历程。而关于深度学习,GitHub的 songrotek 同样有话要说。原文名为《Deep Learning Papers Reading Roadma转载 2017-02-27 08:18:12 · 1125 阅读 · 0 评论 -
深度学习零基础进阶第二弹
图片来自wiki昨天,雷锋网编译了《干货分享 | 深度学习零基础进阶大法!》,相信读者一定对深度学习的历史有了一个基本了解,其基本的模型架构(CNN/RNN/LSTM)与深度学习如何应用在图片和语音识别上肯定也不在话下了。今天这一部分,我们将通过新一批论文,让你对深度学习的方式与深度学习在不同领域的运用有个清晰的了解。由于第二部分的论文开始向细化方向延展,因此你可以根据自己的研究方向酌情进行选转载 2017-02-27 08:18:45 · 628 阅读 · 0 评论 -
LDA主题模型评估方法--Perplexity
在LDA主题模型之后,需要对模型的好坏进行评估,以此依据,判断改进的参数或者算法的建模能力。Blei先生在论文《Latent Dirichlet Allocation》实验中用的是Perplexity值作为评判标准。一、Perplexity定义源于wiki:http://en.wikipedia.org/wiki/Perplexityperplexity是一种信息理论的测量方法,b转载 2017-02-27 08:14:03 · 1378 阅读 · 0 评论 -
使用深度学习打造智能聊天机器人
聊天机器人(也可以称为语音助手、聊天助手、对话机器人等)是目前非常热的一个人工智能研发与产品方向。很多大型互联网公司投入重金研发相关技术,并陆续推出了相关产品,比如苹果Siri、微软Cortana与小冰、Google Now、百度的“度秘”、亚马逊的蓝牙音箱Echo内置的语音助手Alexa、Facebook推出的语音助手M、Siri创始人新推出的Viv……究其原因在于大家都将聊天机器人定位为未转载 2017-02-04 11:35:30 · 824 阅读 · 0 评论 -
word2vec原理推导与代码分析
本文摘录整编了一些理论介绍,推导了word2vec中的数学原理;并考察了一些常见的word2vec实现,评测其准确率等性能,最后分析了word2vec原版C代码;针对没有好用的Java实现的现状,移植了原版C程序到Java。时间和水平有限,本文没有就其发展历史展开多谈,只记录了必要的知识点,并着重关注工程实践。虽然我的Java方案速度比原版C程序高出1倍,在算法代码与原版C程序一致的情况下转载 2017-02-03 15:11:15 · 847 阅读 · 0 评论 -
How to use Deep Learning when you have Limited Data
Disclaimer: I’m buildingnanonets.ai to help build ML with less dataI think AI is akin to building a rocket ship. You need a huge engine and a lot of fuel. If you have a large engine and a tiny a转载 2017-02-03 14:17:23 · 966 阅读 · 0 评论 -
Understanding LSTM Networks
Recurrent Neural NetworksHumans don’t start their thinking from scratch every second. As you read this essay, you understand each word based on your understanding of previous words. You don’t throw转载 2017-02-03 13:52:46 · 279 阅读 · 0 评论 -
CNN、RNN、DNN的内部网络结构有什么区别?
从广义上来说,NN(或是更美的DNN)确实可以认为包含了CNN、RNN这些具体的变种形式。在实际应用中,所谓的深度神经网络DNN,往往融合了多种已知的结构,包括卷积层或是LSTM单元。但是就题主的意思来看,这里的DNN应该特指全连接的神经元结构,并不包含卷积单元或是时间上的关联。因此,题主一定要将DNN、CNN、RNN等进行对比,也未尝不可。其实,如果我们顺着神经网络技术发展的脉络,就很容易弄转载 2017-01-25 15:03:28 · 3630 阅读 · 0 评论 -
面临的深度学习技术问题以及基于TensorFlow的开发实践
一、用于Bot的深度学习技术及其面临的难题聊天机器人(chatbot),也被称为会话代理或对话系统,现已成为了一个热门话题。微软在聊天机器人上押上了重注,Facebook(M)、苹果(Siri)、谷歌、微信和 Slack 等公司也是如此。通过开发 Operator 或 x.ai 这样的消费者应用、 Chatfuel 这样的 bot 平台和 Howdy's Botkit 这样的转载 2017-01-25 15:45:00 · 2753 阅读 · 0 评论 -
用深度学习网络搭建一个聊天机器人(二)
谁/为什么关注基于检索模型的机器人?在本系列的上一篇博客中说到,基于检索模型的机器人有一个的回答集(repository),包含了预先定义的若干回答。与该模型相对应的产生式模型则是在不借助任何回答集的情况下产生一个全新的回答。让我们更正式地定义基于检索模型的机器人:模型的输入为上下文(context)$c$和回答(response)$r$。模型会根据上下文为回答评分,评分最高的回答将被选择转载 2017-01-25 09:56:57 · 5782 阅读 · 0 评论 -
用深度学习网络搭建一个聊天机器人(一)
聊天机器人(Chatbot),又被称为对话代理(Conversational Agents)或对话系统(Dialog Systems),是当前的一个研究热点。Microsoft在聊天机器人领域下了巨大赌注,其他的公司,例如Facebook(M)、Apple(Siri)、Google、WeChat和Slack也不甘落后,推出了相关的产品。这股聊天机器人的新浪潮,也在一些创业公司兴起了:试图改变用户和转载 2017-01-25 09:49:05 · 7817 阅读 · 1 评论 -
深度强化学习:从像素玩Pong!
强化学习(Reinforcement Learning,RL)特别火!你看过许多新闻:电脑能自动学习ATARI游戏,在围棋比赛中击败世界冠军,模拟四足动物学习跑和跳,机器人学习完成编程无法实现的复杂操作任务。这些进展都属于RL研究的范畴。我本人自去年起关注RL:我阅读了Richard Sutton的书,学习了David Silver的课程,看了John Schulmann的讲座,写了RL的Ja转载 2017-01-25 10:32:48 · 7244 阅读 · 3 评论 -
逻辑回归的理解
逻辑回归(Logistic Regression)1. 回归(Regression)回归,我的理解来说,其直观的理解就是拟合的意思。我们以线性回归为例子,在二维平面上有一系列红色的点,我们想用一条直线来尽量拟合这些红色的点,这就是线性回归。回归的本质就是我们的预测结果尽量贴近实际观测的结果,或者说我们的求得一些参数,经过计算之后的预测结果尽可能接近真实值。2. 逻辑回归的由来 ...转载 2019-02-22 13:05:44 · 1236 阅读 · 0 评论