NJiahe-CSDN博客

原创 Autoencoder自动编码器的发展

Autoencoder自动编码器的发展0、玻尔兹曼机中的测试实验——编码问题（1985）0.1、玻尔兹曼机0.2、受限的玻尔兹曼机0.3、编码问题——自动编码器雏形1、反向传播中的仿真——单层自动编码器（1986）2、利用神经网络进行数据降维——深度自动编码器（2006）3、去噪自编码器（2008）4、稀疏自编码器（2011）5、卷积自编码器（2011）6、变分自编码器（2013）6.1、模型6....

2019-08-26 16:31:12 8362 6

原创 2017的尾巴

前考完研之后的圣诞还没缓过神来，差点病了，还好吃了药压了下去，后来进城跟同学玩了两天，今天起来之后才算是回过神了。查东西的时候看到了涛哥的博客，再看一眼日期，突然想起来自己也应该写点什么，作为这一年的总结一样的东西。这是在写前面那些博客的时候就就决定要做的事情，只不过之前一直兵荒马乱的，到现在才动笔，而且我的这下半年也不是按之前的设想那样过的，所以这个总结/日记/随笔/回忆，因为没有准备，也

2017-12-31 22:21:21 714 5

原创因子分析、主成分分析（PCA）、独立成分分析（ICA）——斯坦福CS229机器学习个人总结（六）

因子分析是一种数据简化技术，是一种数据的降维方法。因子分子可以从原始高维数据中，挖掘出仍然能表现众多原始变量主要信息的低维数据。此低维数据可以通过高斯分布、线性变换、误差扰动生成原始数据。因子分析基于一种概率模型，使用EM算法来估计参数。主成分分析（PCA）也是一种特征降维的方法。学习理论中，特征选择是要剔除与标签无关的特征，比如“汽车的颜色”与“汽车的速度”无关； PCA中要处理与标

2017-05-07 15:44:36 40086 15

原创 K-means算法、EM算法——斯坦福CS229机器学习个人总结（五）

这一份总结的主题是无监督学习的EM算法。在前面提到的逻辑回归、SVM、朴素贝叶斯等算法，他们的训练数据都是带有标签的（预分类结果），这样的算法被称为监督学习。当训练数据没有标签，只提供特征时，称为无监督学习。 EM算法（Expectation maxmization algorithm，最大期望算法）就是一种无监督学习算法，而它的名字本身就已经包含了这个算法的特点以及做法——“期望”、“最大化

2017-05-03 20:29:06 5142

原创学习理论、模型选择、特征选择——斯坦福CS229机器学习个人总结（四）

这一份总结里的主要内容不是算法，是关于如何对偏差和方差进行权衡、如何选择模型、如何选择特征的内容，通过这些可以在实际中对问题进行更好地选择与修改模型。1、学习理论（Learning theory）1.1、偏差/方差（Bias/variance）图一对一个理想的模型来说，它不关心对训练集合的准确度，而是更关心对从未出现过的全新的测试集进行测试时的性能，即泛化能力（Generalization

2017-04-29 23:03:46 7108 1

原创支持向量机（SVM）——斯坦福CS229机器学习个人总结（三）

鉴于我刚开始学习支持向量机（Support vector machines，简称SVM）时的一脸懵逼，我认为有必要先给出一些SVM的定义。下面是一个最简单的SVM：图一分类算法：支持向量机（SVM）是一个分类算法（机器学习中经常把算法称为一个“机器”），它的目标是找到图中实线所表示的决策边界，也称为超平面（Hyperplane）支持向量（Support vectors）：支持向

2017-04-24 23:05:45 7333 7

原创生成模型、高斯判别分析、朴素贝叶斯——斯坦福CS229机器学习个人总结（二）

1、生成学习算法（Generative Learning Algorithm）1.1、判别模型与生成模型判别模型：训练出一个总模型，把新来的样本放到这个总模型中，直接判断这个新样本是猫还是狗。生成模型：先训练出一个猫的模型，再训练出一个狗的模型。把新来的样本放到猫的模型里，看它生成的概率是多少，再把它放到狗的模型里，看它生成的概率是多少。如果用猫的模型生成的概率比较大，就把新样本判断为猫，如果用狗的

2017-04-15 12:42:35 2946

原创线性回归、logistic回归、广义线性模型——斯坦福CS229机器学习个人总结（一）

CS229第一份讲义，包括线性回归、logistic回归、广义线性模型。

2017-04-04 20:49:50 50212 4

Jiahe的博客