神经网络
Bicelove
图像识别、深度学习
展开
-
SVM的特点与不足
SVM有如下主要几个特点:(1)非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射;(2)对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心;(3)支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量。(4)SVM 是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等,因此不同转载 2014-10-13 16:04:50 · 7553 阅读 · 0 评论 -
判别式模型与生成式模型
判别式模型与生成式模型发表于2011-09-16摘要 生成式模型:无穷样本 -> 概率密度模型 = 产生式模型 -> 预测 判别式模型:有限样本 -> 判别函数 = 判别式模型 -> 预测简介 简单的说,假设 o 是观察值,m 是模型。 如果对 P(o|m) 建模,就是生成式模型。其基本思想是首先建立样本的概率密转载 2014-11-25 15:22:10 · 1557 阅读 · 0 评论 -
反向传播BP算法
深度神经网路已经在语音识别,图像识别等领域取得前所未有的成功。本人在多年之前也曾接触过神经网络。本系列文章主要记录自己对深度神经网络的一些学习心得。第一篇,从最经典的BP网络开始。我不打算详细描述神经网络的生物学运行机理,因为网络上有太多的教程可以参考。这里,主要描述其数学上的计算过程,并且采用的符号可能与其它参考书上的符号有很大差异。特别是,斯坦福官方网站上对深度网络中所引用转载 2014-09-05 16:49:25 · 3885 阅读 · 1 评论