首先说一个问题,那就是我们上一章的PCA和LDA都是参数假设的。在PCA中我们最后的结果可以由原始数据通过一定的分解得到,也就是我们的参数是依赖我们的数据的。PCA和LDA都是线性转换。
而特征学习当中不依赖这一假设,它和上一节的特征转换都属于特征提取的领域。
本章主要介绍的是深度学习,神经网络,介绍了其中的受限布尔兹曼机RBM,使用sklearn中的neural_network 中的BernoulliRBM。
最后还完善了一下前面介绍的字袋模型,介绍了word embedding。
首先说一个问题,那就是我们上一章的PCA和LDA都是参数假设的。在PCA中我们最后的结果可以由原始数据通过一定的分解得到,也就是我们的参数是依赖我们的数据的。PCA和LDA都是线性转换。
而特征学习当中不依赖这一假设,它和上一节的特征转换都属于特征提取的领域。
本章主要介绍的是深度学习,神经网络,介绍了其中的受限布尔兹曼机RBM,使用sklearn中的neural_network 中的BernoulliRBM。
最后还完善了一下前面介绍的字袋模型,介绍了word embedding。