机器学习、深度学习、强化学习、迁移学习、导航优秀博客/专栏合集

最新推荐文章于 2024-06-29 22:51:21 发布
最新推荐文章于 2024-06-29 22:51:21 发布
阅读量891 收藏 3
点赞数 2
文章标签： 博客合集
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lsupermary/article/details/83540948
版权

萌新在学习的过程，总是遇到各路大神写的优秀帖子，这里做分门别类，更新中…

优秀入门博主

仅囊括本萌新遇见：
谢小小XH: 机器学习方面的数学原理总结
Physcalの大魔導書：激活函数稀疏激活性的作者，待串门
Freedom_anytime：机器学习&深度学习大牛博客专栏总结
zhanlijun：剖析过贝叶斯定位

会议

2018年【计算机视觉&机器学习&人工智能】领域重要会议 汇总（持续更新）

导航

机器学习

待验证

深度学习

机器学习术语

数据集dataset
instance/sample样本/示例
dimensionality维数
training从数据中学得模型的过程
training data训练过程中使用的数据
training sample训练数据中的每个样本
training set训练样本组成的集合
learning algorithm在计算机上从数据中产生模型（model）的算法
model模型又称学习器，学习算法在给定数据和参数空间上的实例化
model selection模型选择，选择哪种算法和参数配置
heathhose
关注
机器学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 13万+
机器学习按照模型类型分为监督学习模型、无监督学习模型和概率模型三大类,文章对十大机器学习算法进行详细介绍并阐述机器学习其他概念问题，可作为机器学习初学者学习使用。
政安晨：专栏目录【TensorFlow与Keras】【机器学习/深度学习/神经网络/实例实战】
政安晨——致力于AI人工智能数字互动领域
03-25 2190
本文篇是作者政安晨的专栏《TensorFlow与Keras实战演绎机器学习》的总纲，专栏文章不断更新，这篇总纲也会随着专栏不断更新。 TensorFlow给自己的定位是端到端机器学习平台，是一个开源的机器学习框架，用于构建和训练各种机器学习模型。 Keras给自己的定位是一个用 Python 编写的高级神经网络 API，是一个开源的高级神经网络库，用于构建和训练深度学习模型。
机器学习、强化学习、深度学习到底有何不同？
weixin_49927325的博客
06-13 2024
机器学习 Machine Learning，利用计算机模拟或实现人类的行为，就像人类一样通过学习获得新技能等等 机器学习与过往的计算机工作的区别： 传统的计算机如果想要得到某一个结果，需要人类赋予它指令，然后计算机按照指令执行即可得到结果；机器学习虽然仍需要人类赋予它指令，但这串指令不能通向最后的结果，这串指令是人类赋予它的学习能力，计算机需要使用它的学习能力，不断从数据中提取新数据，最后得出结果； 传统的计算机强调因果关系，而机器学习更推崇相关关系。 根据学习方式的不同，机器学习可
机器学习深度学习强化学习_深度学习与机器学习：了解差异
科技博客的分析“工具人”
07-09 493
机器学习深度学习强化学习 机器学习和深度学习都是人工智能的形式。 您还可以正确地说，深度学习是一种特定的机器学习。 机器学习和深度学习都从训练和测试数据以及模型开始，并经过优化过程以找到使模型最适合数据的权重。 两者都可以处理数字（回归）和非数字（分类）问题，尽管存在多个应用领域，例如对象识别和语言翻译，在这些领域中，深度学习模型往往比机器学习模型更适合。 [ 也在InfoWorld上：人...
【机器学习】机器学习、深度学习、强化学习和迁移学习简介、相互对比、区别与联系。
最新发布
weixin_51306394的博客
06-29 1953
机器学习、深度学习、强化学习和迁移学习都是人工智能领域的子领域，它们之间有一定的联系和区别。下面分别对这四个概念进行解析，并给出相互对比、区别与联系以及应用场景案例分析。
机器学习，深度学习 ，强化学习
zhangyixing_mj的博客
07-14 1685
机器学习，深度学习，强化学习
机器学习、深度学习、强化学习
fighting233的博客
07-09 3801
深度学习 无约束优化问题的优化方法有哪些？ 1、直接法 2、迭代法 2.1 一阶法（梯度下降法） 2.2 二阶法（牛顿法） L1正则化使得模型参数具有稀疏性（0比较多）的原理是什么？ 强化学习 1、强化学习和监督学习以及非监督学习的区别 监督学习是使用已经标记好的数据样本，做训练来预测新的数据的类型（分类）或者值（回归） ...
机器学习、深度学习和强化学习
m0_62452236的博客
10-03 805
机器学习是一个非常宽泛的范围，其中包含的算法、模型和分支繁多庞大，在学习过程中更加注重的是对实际问题的解决方式，以解决问题的形式去对机器学习进行思考。但是传统的机器学习往往处理的数据规模太小，对于一些复杂的现实意义问题在解决过程中太过吃力和无法实现，随着技术的发展出现了深度学习技术是一个复杂的机器学习算法。因此深度学习的本质还是解决机器学习上的问题，只不过解决问题的方式复杂了，所有深度学习是机器学习的一个分支。
2024年 毕业设计 机器学习&深度学习实战案例,含有python代码和教程 (7月10日已更新711篇)
sybh的博客
10-05 6448
10月促销价39.9,适合初学python机器学习深度学习的学生,从入门到精通,专栏内含有讲解,每篇文章都含有对应的代码,会持续更新,更新至千篇案例,已经更新六百多个项。
深度学习系列资料总结
热门推荐
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-17 2万+
说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................
「01」机器学习与深度学习，到底在学些什么？
Machine Learning with Tutors
05-31 4169
根据定义，学习是从有限的例子中，找出问题和答案之间规律的一个过程，而所找出的规律叫做知识，而知识，在我们的意识层面上叫做知识，但在数学层面，它的名字叫做模型。经过千万年的进化，人类已经可以熟练利用大脑神经元所组成的生物记忆网络，将感官收集到的信号，如图像、物体、声音、文字，通过长短期的记忆机制进行保存。通过这些信息，大脑会推演出下一个类似情况、问题发生时，我们该做出的反应。这些反应有先天的，比如面对狮子时，我们的祖先遗留下来的对死亡的基因恐惧，驱使大脑发出逃离的指令。...
深度强化学习中的迁移学习
09-20
本文综述了迁移学习在强化学习问题设置中的应用。RL已经成为序列决策问题的关键的解决方案。随着RL在各个领域的快速发展。包括机器人技术和游戏，迁移学习是通过利用和迁移外部专业知识来促进学习过程来帮助RL的一项重要技术。
机器学习之深度强化学习
小丫头的博客
03-21 4366
机器学习之深度强化学习
机器学习、深度学习和强化学习的关系和区别是什么？
webehero的专栏
04-10 9088
机器学习（ML：machine leaning）：一切通过优化方法（线性回归、逻辑回归、决策树、向量机、贝叶斯模型等）挖掘数据中规律的学科。 深度学习与强化学习都属于机器学习的范畴；深度学习是有标签、静态的，多用于感知。强化学习是无标签、动态的，多用于决策。 深度学习最广泛的应用是图像处理和自然语言处理NLP了 强化学习实际应用目前还较窄，主要包括AI游戏（如Atari），推荐系统（如阿里家...
初识机器学习，深度学习，强化学习
橙子焦糖味的布丁
07-22 416
初识机器学习，深度学习，强化学习 机器学习（ML） 传统的机器学习技术在预测中发挥了重要的作用，经过发展形成了丰富的模型结构，例如： 1.线性回归。 2.逻辑回归。 3.决策树。 4.支持向量机。 5.贝叶斯模型。 6.正则化模型。 7.模型集成（ensemble）。 8.神经网络。 这些预测模型中的每一个都基于特定的算法结构，参数都是可调的。 训练预测模型涉及以下步骤： 选择一个模型结构（例如逻辑回归，随机森林等）。 用训练数据（输入和输出）输入模型。 学习算法将输出最优模型（即具有使训练错误最小化的
机器学习、深度学习、强化学习、规则学习（笔记）
qq_55905518的博客
03-29 1069
智能体可以使用不同的算法和技术来实现不同的任务。反向传播算法的优点是可以训练具有多个层次的神经网络，并且可以处理大量的非结构化数据，例如图像、语音和文本。它可以表示为从当前状态开始，智能体采取某个动作后，在未来的所有时间步中所能获得的期望奖励的总和。价值函数可以帮助智能体评估当前状态和动作的好坏，策略函数可以指导智能体选择最佳的动作。智能体可以使用不同的算法和技术来学习最优价值函数和策略函数，以实现最优决策。强化学习的主要思想：通过与环境的交互来学习最优策略，通过奖励和惩罚来调整策略，从而实现最优决策。
深度学习 -＞ 强化学习 -＞迁移学习（杨强教授报告）
qq_44465615的博客
06-22 1300
深度学习的局限 表达能力的限制。因为一个模型毕竟是一种现实的反映，等于是现实的镜像，它能够描述现实的能力越强就越准确，而机器学习都是用变量来描述世界的，它的变量数是有限的，深度学习的深度也是有限的。另外它对数据的需求量随着模型的增大而增大，但现实中有那么多高质量数据的情况还不多。所以一方面是数据量，一方面是数据里面的变量、数据的复杂度，深度学习来描述数据的复杂度还不够复杂。 缺乏反馈机制。目前深度学习对图像识别、语音识别等问题来说是最好的，但是对其他的问题并不是最好的，特别是有延迟反馈的问题，例如机器人的行
【机器学习】机器学习、深度学习、强化学习之间的关系
weixin_46564151的博客
03-05 1598
机器学习中一些概念的区分和理解
深度学习与传统机器学习：图像分类的竞赛
在这个项目中，研究者将深度学习方法（如CNN和迁移学习）与传统机器学习算法，如K-近邻算法（KNN）、支持向量机（SVM）和BP神经网络进行了对比。这些传统的算法虽然易于理解和实现，但往往受限于手工特征提取和计算...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值