浙江大学-机器学习-ppt截图

最新推荐文章于 2022-08-02 09:25:10 发布
最新推荐文章于 2022-08-02 09:25:10 发布
阅读量855 收藏 6
点赞数 2
分类专栏： # 日记 文章标签： 机器学习 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u014185088/article/details/123488031
版权

https://gitee.com/zzhzwh/ZJU_Machine_Learning/tree/main

多层神经网络

image-20211125171453008

image-20211125171645012

image-20211125171900902

image-20211125171933566

image-20211125172020398

image-20211125171954278

image-20211125172112926

image-20211125172127396

image-20211125172256911

image-20211125172309111

image-20211125172459031

image-20211125172613589

image-20211125172653488image-20211125172659102image-20211125172710975

image-20211125172718438

image-20211125172857109

image-20211125172907078

image-20211125173158239

image-20211125173220982

image-20211125173313831

image-20211125173349192

梯度下降

image-20211125173422174

image-20211125173526846

image-20211125173637807

image-20211125173653264

image-20211125173726493

image-20211125173745415

image-20211125173753583

后向传播

image-20211125173955935

image-20211125174011863

image-20211125174028070

image-20211125174109422

image-20211125174125861

image-20211125174135414

image-20211125174215550

image-20211125174249399

image-20211125174344209

image-20211125174438182

image-20211125174527256

image-20211125174542421

image-20211125174548318

一般的后向

image-20211125174750367

image-20211125174804343

image-20211125174833185

image-20211125174911357

image-20211125174927368

image-20211125174957271

image-20211125175015837

image-20211125175053479

image-20211125175058853

image-20211125175106936

image-20211125175202895

后向传播算法的应用和改进

非线性改进

image-20211125175352750

image-20211125175358551

阶跃函数在0处没有导数、

image-20211125175423438

image-20211125175452360

image-20211125175531206

image-20211125175546745

目标函数第二个改进----输出不止一个

image-20211125175701230

原来的

image-20211125175734713

改进的

image-20211125175756113

image-20211125175808349

image-20211125175815431

image-20211125175854775

image-20211125175917160

image-20211125175928951

image-20211125175934283

image-20211125175946886

原来的梯度下降缓慢的运行，而采用随机梯度

image-20211125180021744

image-20211125180100584

image-20211125180113024

image-20211125180138237

人工神经网络的建议

image-20211125181441391

image-20211125181447823

image-20211125181516414

image-20211125181532702

image-20211125181609016

image-20211125181616271

image-20211125181731272

image-20211125181741310

image-20211125181850786

image-20211125181918825

image-20211125181941536

image-20211125182011679

image-20211125182055407

image-20211125182104840

image-20211125182132768

image-20211125182139322

多层神经网络的劣势—进入低潮

image-20211125182314352

image-20211125182340494

image-20211125182354001

image-20211125182457417

深度学习

image-20211125182623043

自编码器

image-20211125202243710

image-20211125202405376

image-20211125202433642

image-20211125202524943

image-20211125202531396

image-20211125202559540

image-20211125202708423

CNN卷积神经网络

image-20211125204752282

image-20211125204800661

求卷积核

image-20211125204908340

image-20211125205013349

image-20211125205023651

image-20211125205029388

image-20211125205141732

image-20211125205213244

image-20211125205219645

image-20211125205355751

image-20211125205403807

image-20211125205443244

image-20211125205449245

步长2 2

image-20211125205502581

image-20211125205521301

降采样

image-20211125205554244

image-20211125205731679

image-20211125205742933

LENET的参数个数

image-20211125205903655

image-20211125210037316

image-20211125210251948

image-20211125210045515

AlexNet

image-20211125210207751

image-20211125210227032

image-20211125210312460

image-20211125210348653

使用RElu函数：促进深度神经网络的收敛
最大池化

image-20211125210503028

image-20211125210520684

随即丢弃

image-20211125210546637

image-20211125210606182

数据扩增

image-20211125210640483

GPU训练

image-20211125210712941

编程工具

image-20211125211538525

image-20211125211613996

pytorch

image-20211125211107264

image-20211125211144453

image-20211125211211996

image-20211125211227452

image-20211125211304247

image-20211125211320567

image-20211125211422475

TensorFlow

caffe

image-20211125213034117

image-20211125213050197

image-20211125213059870

image-20211125212915336

image-20211125213122401

人脸识别

image-20211125213201910

image-20211125213226620

image-20211125213237685

损失函数

image-20211125213307173

image-20211125213325544

image-20211125213435926

image-20211125213448158

image-20211125213516376

image-20211125213540807

人脸检测

image-20211125213737109

图像识别

image-20211125213941048

目标定位

image-20211125214053610

目标检测的3种

image-20211125214116626

image-20211125214131574

image-20211125214143409

image-20211125214200302

image-20211125214214389

image-20211125214241327

image-20211125214325951

image-20211125214633374

image-20211125214643774

YOLo网络 you only look once

image-20211125214816043

image-20211125214824550

image-20211125214842950

image-20211125214848797

image-20211125214903374

image-20211125214909023

MTCNN

image-20211125214942293

image-20211125214954283

image-20211125215006383

image-20211125215022349

语义分割

image-20211125215138007

image-20211125215144513

image-20211125215421243

image-20211125215443894

image-20211125215452824

时间序列的深度学习模型

image-20211125215557102

image-20211125215634630

image-20211125215648732

RNN

image-20211125215718397

image-20211125215730334

image-20211125215902775

image-20211125215924504

image-20211125220003813

image-20211125220011561

image-20211125220030579

image-20211125220045111

image-20211125220057950

image-20211125220112705

image-20211125220129032

image-20211125220154118

image-20211125220227025

image-20211125220236360

image-20211125220244319

image-20211125220257013

image-20211125220310424

LSTN

image-20211125220333775

image-20211125215658308

GAN

image-20211125220513512

博弈论

image-20211125220526910

image-20220301163935765

image-20211125220632051

image-20211125220638857

人脸生成

image-20211125220720377

侧脸转正

image-20211125220736961

图像翻译

image-20211125220747415

image-20211125220757616

image-20211125220830781

强化学习

image-20211125221003318

image-20211125221020085

image-20211125221030421

image-20211125221109303

image-20211125221229511

魔芋小灰菜
关注
  • 2
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
浙江大学-机器学习强推
qqqweiweiqq的博客
01-21 164
机器学习
浙江大学人工智能课程课件
11-18
浙江大学人工智能课程课件，内容有： Introduction Problem-solving by search( 4 weeks) Uninformed Search and Informed (Heuristic) Search （1 week） Adversarial Search: Minimax Search, Evaluation Functions, Alpha-Beta Search, Stochastic Search Adversarial Search: Multi-armed bandits, Upper Confidence Bound (UCB),Upper Confidence Bounds on Trees, Monte-Carlo Tree Search(MCTS) Statistical learning and modeling (5 weeks) Probability Theory, Model selection, The curse of Dimensionality, Decision Theory, Information Theory Probability distribution: The Gaussian Distribution， Conditional Gaussian distributions， Marginal Gaussian distributions， Bayes’ theorem for Gaussian variables， Maximum likelihood for the Gaussian， Mixtures of Gaussians, Nonparametric Methods Linear model for regression: Linear basis function models； The Bias-Variance Decomposition Linear model for classification ： Basic Concepts; Discriminant Functions (nonprobabilistic methods); Probabilistic Generative Models; Probabilistic Discriminative Models K-means Clustering and GMM & Expectation–Maximization (EM) algorithm, BoostingThe Course Syllabus Deep Learning (4 weeks) Stochastic Gradient Descent, Backpropagation Feedforward Neural Network Convolutional Neural Networks Recurrent Neural Network (LSTM, GRU) Generative adversarial network (GAN) Deep learning in NLP (word2vec), CV (localization) and VQA(cross-media) Reinforcement learning (1 weeks) Reinforcement learning: introduction
浙江大学机器学习配套资源（胡老师）.rar
09-09
这是浙江大学胡老师机器学习的相关配套资源，包含 课程PPT 编程大作业 编程作业 课堂笔记 例程 纸质作业 希望能对机器学习爱好者提供便捷的帮助，大家一起加油！
【机器学习系列】浙大机器学习课程-第一章概述
qq_42217215的博客
07-01 506
机器学习入门概述
2021-ZJU-Machine-Learning:浙江大学机器学习
03-30
2021-ZJU-机器学习 浙江大学机器学习 课程概述： 2016年，人工智能机器人AlphaGO击败了围棋世界冠军李世石，这场史无前例的“人机大战”将AI引入社会舆论的风口浪尖上。AI是什么？AI对人类有什么作用？扮演怎样的角色？ 要想弄清楚这些问题，就必须了解AI的主要的工作原理-机器学习。这门课程对机器学习这一领域既有全面细致的理论讲解，又有趣味生动的故事串联，还有妙趣横生的程序实践，引导同学们从数学，计算机科学和人文哲学等方面全面地理解AI。 课程中的知识点覆盖全面，尤其是包含其中这一领域的发展，深度学习，增强学习，生成对抗网络，RNN和LSTM，ALPHAGO程序解析等最新的研究内容登上了MOOC的课堂。了十个左右的编程实验，并讲解流行的CAFFE，TENSORFLOW和PYTORCH等流行的深度学习框架，让大家在学习理论的同时亲身实践，体验AI的魅力。 与国外Andrew N
浙江大学机器学习课程辅助材料，胡教授版.rar
最新发布
07-24
这是浙江大学胡老师机器学习的相关配套资源，包含 课程PPT 编程大作业 编程作业 课堂笔记 例程 纸质作业 希望能对机器学习爱好者提供便捷的帮助，大家一起加油！。内容来源于网络分享，如有侵权请联系我删除。另外...
ESD模型与测试PPT-浙江大学课件
10-19
本PPT课程由浙江大学提供，详细讲解了ESD的基本原理、相关模型以及测试方法。 首先，我们需要理解ESD的基本概念。ESD是指由于静电场的作用，带电物体间的电荷瞬间转移现象，可能导致设备或系统功能丧失。静电的产生...
机器学习（浙大课程b站）第四章
qq_43541776的博客
07-21 1361
机器学习（浙大课程b站）第四章：深度学习笔记测验 笔记 深度学习数据库准备 自编码器 编码器采用的是分层初始化的思想 首先训练一个小网络输入是X，输出也是X 通过这个网络使中间的三维数据浓缩了原有的四维数据的信息可看做是对原有四维数据的编码，又由于这是从X到其自身的编码，因此将该算法叫做自编码器。可用后向传播算法训练该网络。 卷积神经网络(Convolutional Neural Network, CNN)LeNet 卷积神经网络：由手工设计卷积核，编程自动学习卷积核。 步长(s
机器学习（浙大课程b站）第五章
qq_43541776的博客
07-28 1098
机器学习（浙大课程b站）第五章：强化学习笔记测验 笔记 AlphaGo围棋规则 2. AlphaGo围棋有必胜策略的证明 博弈论(Game Theory)中提到：任意有限步结束的零和博弈有必胜策略 用数学归纳法证明: 围棋是有限步结束的游戏吗？ 强化学习（Q-Learning和epsilon-greedy算法） 强化学习与监督学习之间的区别，监督学习中训练数据和标签一一对应。强化学习中训练数据中没有标签，只有一个奖励函数reward function。 一些定义： 并且假设t+1时
浙江大学-研究生机器学习课程-课堂笔记
学习笔记
11-05 1893
浙大胡老师的-研究生机器学习课程课堂笔记 文章目录SVM(支持向量积)支持向量积的理论推导二次规划问题优化理论(原问题和对偶问题)将支持向量原问题转换为对偶问题SVM算法流程混淆矩阵SVM处理多类问题神经网络-感知器算法多层神经网络后向传播算法人工神经网络-参数设置参数更新策略 SVM(支持向量积) 支持向量积的理论推导 二次规划问题 优化理论(原问题和对偶问题) 将支持向量原问题转换为对偶问题 SVM算法流程 混淆矩阵 SVM处理多类问题 神经网络-感知器算法 多层神经网络 后
机器学习课件.rar
11-02
这是我们上课用的高级机器学习课件，非常有用，供大家参考学习
吴恩达机器学习课程PPT
03-27
吴恩达机器学习课程PPT，完整非常全，欢迎下载
机器学习（浙大课程b站）第三章
qq_43541776的博客
07-14 1069
机器学习（浙大课程b站）第三章：人工神经网络笔记测验 笔记 神经元的数学模型 生物学上目前没有一一对应的证据 一阶泰勒近似 SVM是全局，感知器算法是针对每一个个体。 因此感知器算法可以写成： 感知器算法的收敛定理： 人工智能的第一次寒冬 Minskey创造了线性可分和线性不可分的概念。感知器只能处理线性可分问题 例：识别一个二值图是否全连通——线性不可分问题 有矛盾，这么做的前提是线性可分，因此由反证法知该例线性不可分 多层神经网络(Multiple Layer Neural N
浙江大学-研究生机器学习课程
computer19810的专栏
05-24 997
浙江大学-研究生机器学习课程 胡老师巨人之肩的牛顿今天 收录于话题 #Machine Learning, AI1 #TensorFlow1 #Python1 #浙江大学1 这里推荐个机器学习课程：浙江大学2017年研究生课程之机器学习。我自己看过很多集，特此搬到这里供大家食用。课程的搬运已经得到课程老师胡老师的授权。【可以搭配李航《统计学习方法》一同食用。很多书中没讲清楚的推导，听了胡老师的讲解后恍然大悟】 课程所涉及到的课件和作业以及参考资料均在：www.zjuvipai.com----..
【机器学习系列】浙大机器学习课程-第二章支持向量机
qq_42217215的博客
07-02 335
支持向量机笔记
清华、北大、浙大的计算机课程资源集都在这里了
苏克的博客
04-08 1107
作者 | AI科技大本营来源 | rgznai100摘要：清华、北大、浙大的计算机课程资源汇总。转行 IT 过程很痛苦，很多计算机课程没学过，最近在 GitHub 上搜索...
浙江大学机器学习（胡浩基）学习笔记二：人工神经网络、深度学习
qq_46056318的博客
08-02 1438
它们的参数是互相关联的，可以利用神经网络结构来简化求偏导的计算，用已经计算出的偏导数链式求导法则求出未求出的偏导数。如果问题简单，则神经网络层数与每层神经元个数可以少一些，如果问题复杂，则神经元个数与神经网络层数可以多一些。人工智能模拟的是人类大脑对世界的认识。在现在及可预见的未来，人类无法完全了解人脑的认知机理，计算机与人脑具有完全不同的物理属性与体系结构。定理如果层与层之间的非线性函数是阶跃函数，则三层神经网络可以模拟任何决策面。它从输出往输入推，先计算离输出较近的偏导数，再计算离输出较远的偏导数。..
第一章 机器学习（浙大胡浩基教授）
qq_39114701的博客
11-28 2164
ARTHUR SAMUEL对机器学习的定义: 机器学习是这样的领域，它赋予计算机学习的能力，(这种学习能力)不是通过显著式编程获得的。 让计算机自己总结的规律的编程方法，叫做非显著式编程。 我们规定了行为和收益函数后，让计算机自己去找最大化收益函数的行为。 机器学习的定义 一个计算机程序被称为可以学习，是指它能够针对某个任务T和某个性能指标P，从经验E中学习。这种学习的特点是，它在T上的被P所衡量的性能，会随着经验E的增加而提高。 机器人冲咖啡的例子： 任务T: 设计程序让机器人冲咖啡 经验E：
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

魔芋小灰菜

不要下次一定，要一键三连

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值