笔记
文章平均质量分 87
一杯敬朝阳一杯敬月光
生命不息,代码不止
展开
-
李宏毅机器学习笔记(2016年的课程):Support Vector Machine (SVM)
李宏毅机器学习笔记(2016年的课程)Support Vector Machine (SVM)原创 2022-11-05 21:21:56 · 757 阅读 · 0 评论 -
分类:概率生成模型 - 李宏毅机器学习笔记
概率生成模型 笔记原创 2022-10-02 23:37:29 · 733 阅读 · 0 评论 -
反向传播 - 李宏毅机器学习笔记
反向传播 - 李宏毅机器学习笔记原创 2022-10-02 00:00:44 · 622 阅读 · 0 评论 -
grep VS egrep
grep和egrep都是过滤器,egrep是扩展的意思,支持扩展正则表达式语法格式grep [option] [pattern] [file1, file2, ...] command | grep [option] [pattern]参数:掌握-v 不显示匹配行信息 -i 搜索时忽略大小写 -n 显示行号 -r 递归搜索 -E 支持扩展正则表达式 -F 不按正则表达式匹配,按照字符串字面意思匹配参数:了解-c 只输出匹配行的数量,不显示具体内容 -w 匹配整词 -x原创 2020-08-24 23:06:57 · 237 阅读 · 0 评论 -
Google老师亲授 TensorFlow2.0 入门到进阶 学习笔记 ch2_1
4、分类模型之模型构建一根据Relu函数的特点,当输入神经元为负值时,对应梯度为0,导致神经元权重无法更新。问题(1):是否这种情况下,死亡的神经元在此后的训练中永远不再复活?答:不是,神经元死亡后是可以复活的,因为其他的神经元可以传梯度下去从而导致下一次的输入发生变化。神经元死亡一般是突然来了一个大的梯度,导致无论怎么微调输入,都无法再使神经元输出为正数,所以神经元无法调整参数,永久死亡。问题(2):是否可以认为Relu的非线性是通过神经元的死亡带来的,要想引入更多非线性,就要“杀死”原创 2020-08-24 23:00:42 · 1076 阅读 · 0 评论 -
Google老师亲授 TensorFlow2.0 入门到进阶 学习笔记 ch2_2
11、wide_deep模型简介google16 年发布,用于分类和回归 应用到了Google Play中的应用推荐 原始论文:https://arxiv.org/pdf/1606.07792v1.pdf稀疏特征离散值特征 One-hot表示 Eg:专业={计算机,人文,其他},人文=[0, 1, 0] Eg:词表={人工智能,你,他,慕课网,...},他=[0, 0, 1, 0,...] 叉乘={(计算机, 人工智能), (计算机, 你),...} 叉乘之后 稀疏特征做叉乘获原创 2020-08-24 22:32:56 · 777 阅读 · 0 评论 -
概率 + 统计 假设检验 (八)
假设检验的基本思想和基本概念原创 2020-07-13 00:05:50 · 719 阅读 · 0 评论 -
概率 + 统计 参数估计 (七)
参数估计问题是利用从总体抽样得到的信息来估计总体的某些参数或者参数的某些函数.在参数估计问题 中,假定总体分 布形式已知,未 知的仅仅是一个 或几个参数.参数估计问题的一般提法设有一个统计总体 , 总体的分布函数为,其中为未知参数 (可以是向量) 。现从该总体抽样,得样本要依据该样本对参数作出估计, 或估计的某个已知函数。这类问题称为参数估计。点估计引例: 已知某地区新生婴儿的体重,(未知)随机抽查100个婴儿 ,得100个体重数据,10,7,6,6.5,5,5.2, …,...原创 2020-07-13 00:05:13 · 1827 阅读 · 0 评论 -
概率 + 统计 样本及抽样分布(六)
总体和样本原创 2020-07-13 00:04:12 · 3859 阅读 · 0 评论 -
概率 + 统计 大数定律与中心极限定理(五)
大数定律切比雪夫不等式设随机变量X具有数学期望,方差,则对于任意正数,有不等式 由切比雪夫不等式可以看出,若越小,则事件的概率越大,即随机变量X 集中在期望附近的可能性越大.大数定律的客观背景设是一个随机变量序列,a是一个常数,若对于任意正数,有,则称序列依概率收敛于a,记作。性质:设,,又设函数g(X,Y)在点(a,b)连续,则。切比雪夫大数定律:设是一个随机变量序列,如果存在常数C,使得,则对于任意正数有,也就是说。贝努利大数定律设 是n次独立...原创 2020-07-13 00:02:51 · 641 阅读 · 0 评论 -
概率 + 统计 随机变量的数字特征(四)
随机变量的数学期望最常用的数字特征数学期望 方差 协方差及相关系数 矩离散型随机变量的数学期望设X是离散型随机变量,它的分布律是:,若级数绝对收敛,则称级数的和为随机变量X的数学期望,记为。即 离散型随机变量的数学期望是一个绝对收敛的级数的和。数学期望简称期望,又称为均值。连续型随机变量的数学期望设X是连续型随机变量,其密度函数为,如果积分绝对收敛,则称此积分值为X的数学期望, 即连续型随机变量的数学期望是一个绝对收敛的积分.随机变量函数的数学期望...原创 2020-07-12 21:59:04 · 1242 阅读 · 0 评论 -
概率 + 统计 多维随机变量及其分布(三)
二维随机变量及其分布函数分布函数的函数值的几何解释将二维随机变量看成是平面上随机点的坐标,那么,分布函数在点处的函数值就是随机点落在如下图中所示的,以点为顶点而位于该点左下方的无穷矩形域内的概率。 随机点落在矩形域内的概率为 二维离散型随机变量也可用表格来表示随机变量X和Y 的联合分布律: 二维离散型随机变量的分布律具有性质 将(X,Y)看成一个随机点的坐标, 则离散型随机变量X和Y的联合分布函...原创 2020-07-12 19:30:55 · 525 阅读 · 0 评论 -
概率 + 统计 随机变量及其分布(二)
随机变量设随机试验的样本空间为S={e}. X=X(e)是定义在样本空间S上的实值单值函数. 称X=X(e)为随机变量.离散型随机变量的概率分布随机变量X的所有可能取值是有限多个或可列无限多个, 这种随机变量称为离散型随机变量 。设X所有可能取的值为, 称 (1)为离散型随机变量X的分布律。 由概率的定义, 满足如下两个条件 分布律也可用表格的形式来表示:三个重要的离散型随机变量(0-1)分布 设随机变量X只可能取0与1两个值, 它的分布律是...原创 2020-07-12 18:44:05 · 1332 阅读 · 0 评论 -
概率 + 统计 随机事件及其概率(一)
随机事件间的关系与运算包含关系:若A发生必然导致B发生,称B包含A(或A是B的子事件),记作或相等事件:若且,记作和事件:事件A、B至少有一个发生,记作积事件:事件A、B同时发生,记作或互斥事件:A、B不能同时发生,即对立事件:A、B在一次实验中有且仅有一个发生,即且。事件A的对立事件记作。差事件:A发生且B不发生,称为A与B的差事件,记作概率的性质1、2、有限可加性,若两两互不相容,则有3、设A,B是两个事件, 若,则有,4、对于任一事件A,5、逆.原创 2020-07-12 15:45:30 · 1922 阅读 · 0 评论