- 博客(11)
- 资源 (11)
- 收藏
- 关注
RSS订阅原创 深度学习在计算机视觉中应用综述
本文是针对中国科学院计算所山世光教授于2017年1月7日于北京师范大学所做的《深度学习在计算机视觉中的应用与前景》讲座的内容总结梳理。1 视觉智能的内涵计算机视觉系统的任务就是像人一样描述摄像机拍摄到的内容。常见的视觉任务：距离估计目标检测与跟踪物体分割目标识别内容理解
2017-01-13 18:40:15
11235
3
原创 机器学习中的概率和信息论
在本文中，我们讨论概率和信息论。概率论是用于表示不确定性陈述(statement) 的数学框架。它不仅提供了量化不确定性的方法，也提供了用于导出新的不确定性陈述的公理。在人工智能领域，我们主要以两种方式来使用概率论：概率法则告诉我们AI系统应该如何推理，所以我们设计一些算法来计算或者近似由概率论导出的表达式；我们可以用概率和统计从理论上分析我们提出的AI系统的行为。信息论是应用数学的一个分支，
2017-01-12 22:19:15
2260
原创 机器学习中的线性代数之矩阵求导
前面针对机器学习中基础的线性代数知识，我们做了一个常用知识的梳理。接下来针对机器学习公式推导过程中经常用到的矩阵求导，我们做一个详细介绍。矩阵求导（Matrix Derivative）也称作矩阵微分（Matrix Differential），在机器学习、图像处理、最优化等领域的公式推导中经常用到。
2017-01-12 19:57:57
95870
31
原创 Weka 常用分类算法效果比较
本实验是福建矿产分布分类识别实验，使用常用的weka 分类识别算法，第一组实验只使用数据中的数值型数据，第二组实验在数值型特征基础上加上了标称属性分类。
2017-01-12 13:39:48
25055
原创 特征选择与特征提取
模式识别的大致流程如下：从图中我们可以知道，特征提取与选择是在分类器设计之前完成，它主要的工作是针对数据原始特征的缺陷，降低特征维数，提高分类器的设计与性能。原始特征模式识别中把每个对象都量化为一组特征来描述，构建特征空间是解决模式识别问题的第一步，其中通过直接测量得到的特征称为原始特征。如： - 人体的各种生理指标（以描述健康状况） - 数字图像中的每点的灰度值（以描述图像内容）原始特征的形成
2017-01-11 14:59:25
7641
原创 概率图模型的学习
前言机器学习中最重要的任务，是根据一些已观察到的证据（如训练样本）来对感兴趣的未知变量（如类别标记）进行估计和预测。概率模型（probabilistic model）提供了一种描述框架，将学习任务归结于计算变量概率的分布。什么是概率图模型在概率模型中，利/用已知变量推测未知变量的分布称为“推断”（inference），其核心是如何基于可观测变量推测出未知变量的条件分布。具体来说，假定问题中关注的变量
2017-01-11 14:58:43
1558
原创 图片TOP-5 错误率
Top-5 分类错误率平常我们在看一些深度学习图像分类的文献资料的时候，经常提到ImageNet Top-5 错误率降到了5%。它是什么意思呢？
2017-01-11 14:58:02
6582
原创 详解协方差与协方差矩阵
详解协方差与协方差矩阵 协方差的定义 对于一般的分布，直接代入E(X)之类的就可以计算出来了，但真给你一个具体数值的分布，要计算协方差矩阵，根据这个公式来计算，还真不容易反应过来。
2017-01-11 14:57:05
983
原创 深度学习前言综述
本系列笔记主要针对Github 上这本有关深度学习的书——《deep learning book》相关的读书笔记。针对当前热门的深度学习做一个基本的梳理，感兴趣的朋友可以看看！人工智能人工智能(AI) 是一个具有许多实际应用和活跃研究课题的领域，并蓬勃发展着。我们指望通过智能软件自动化处理常规劳动、理解语音或图像、帮助医学诊断和支持基础科学研究。
2017-01-11 14:14:55
1360
原创 机器学习中的线性代数
第二章 机器学习中的线性代数知识线性代数作为数学中的一个重要的分支，广发应用在科学与工程中。掌握好线性代数对于理解和从事机器学习算法相关的工作是很有必要的，尤其是对于深度学习而言。因此，在开始介绍深度学习之前，先集中探讨一些必备的线性代数知识。
2017-01-11 14:10:06
18829
5
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人