机器学习中的概率模型和概率密度估计方法及VAE生成式模型详解之二（作者简介）...

最新推荐文章于 2024-10-10 11:54:20 发布

weixin_34377065

最新推荐文章于 2024-10-10 11:54:20 发布

阅读量155

点赞数

文章标签：人工智能

原文链接：http://blog.51cto.com/13811808/2130272

版权

Brief Introduction of the Blog Author

Chief Architect at 2Wave Technology Inc. (a startup company in stealth mode)

Education:

• Graduate School of Chinese Academy of Sciences – Beijing – MS in Computer Science

• Tsinghua University – Beijing – BS in Computer Science

Certifications:

• 概率图模型Probabilistic Graphical Models delivered by Stanford University on Coursera:

https://www.coursera.org/account/accomplishments/specialization/AV8QYQ84PTSA

• 机器学习Machine Learning delivered by Stanford University on Coursera:

https://www.coursera.org/account/accomplishments/verify/MMLVZ3QLJ75B

• Hadoop平台及应用 Hadoop Platform and Application Framework delivered by UC San Diego:

https://www.coursera.org/account/accomplishments/verify/7D2CBKFHMGRQ

转载于:https://blog.51cto.com/13811808/2130272

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

weixin_34377065

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

PyTorch深度学习实战（1）——神经网络与模型训练过程详解

盼小辉丶的博客

05-28

6万+

在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。

生成式人工智能（AIGC）之最全详解图解

热门推荐

DFCED的博客

02-13

3万+

生成式人工智能（AIGC）之最全详解图解1. AIGC的发展历程1.1 AIGC演化重要时间节点AIGC发展历程图OpenAI大语言模型发展进程1.2技术推进路线2.AIGC技术场景2.1 技术场景3.1AIGC相关应用4.AIGC未来发展前景 1. AIGC的发展历程 AIGC（AI-Generated Content）是利用人工智能技术来生成内容。2021年之前，AIGC生成的主要还是文字，而新一代模型可以处理的格式内容包括：文字、语音、代码、图像、视频、机器人动作等等。AIGC被认为是继专业生产内容

参与评论您还未登录，请先登录后发表或查看评论

机器学习中的概率模型和概率密度估计方法及VAE生成式模型详解之三（第1章）...

weixin_33850890的博客

06-19

502

第1章概率分布的模型表达及建模 1.1 模型模型有很宽泛的定义，在Wikipedia上对Model的解释里就列出了多种模型及其定义。在我们要讨论的内容的语义下，模型就是输入与输出之间关系的一种表达与实现。我们不关心模型内部对输入量进行了什么样的操作而产生了输出量，我们只关心输入量与输出量之间的关系或者说变化规律。模型与系统有大致相同的意义。由于这种...

机器学习中的概率模型和概率密度估计方法及VAE生成式模型详解之四（第2章 MCMC）...

weixin_34397291的博客

06-19

601

第2章分布密度估算的采样法 2.1 如何采样有了概率分布P(X)，我们要生成符合这个分布的样本。这个过程也叫采样(sampling)。这其实并不是一个简单的任务。我们知道，计算机可以生成符合某些指定分布的伪随机数（伪随机数即样本），但并不支持任意的分布。对于所支持的非均匀分布的伪随机数x的产生，我们需要先产生均匀分布的伪随机数y，然后通过某种变换，把y转换...

机器学习中的概率模型和概率密度估计方法及 VAE生成式模型详解（之一）

Jiyang Wang的博客

06-17

718

生成式模型差分自编码器（VAE）具有非常大的理论意义和实用价值。但要彻底搞懂VAE的思想脉络，需要具有比较多的概率论、信息论、概率图模型和机器学习的知识。本文从与VAE有关的基本概念开始，包括概率的图模型，分布密度估计的两类方法，即采样法（MCMC）和优化法（EM和VB/VI），逐步深入，详细解读VAE。读者需要具有至少入门级的机器学习和最基本的概率论的知识。

机器学习中的概率模型和概率密度估计方法及VAE生成式模型详解之九（第5章总结）...

weixin_33991727的博客

06-20

138

更重要的是，VAE模型经过样本集X的训练，它不仅学习到了样本集的分布P(X)，而且还可以直接产生符合P(X)的新样本，即对P(X)的采样。转载于:https://blog.51cto.com/13811808/2131131...

机器学习中的概率模型和概率密度估计方法及VAE生成式模型详解之五（第3章之 EM算法）...

weixin_34133829的博客

06-20

142

转载于:https://blog.51cto.com/13811808/2130777

机器学习中的概率模型和概率密度估计方法及 VAE生成式模型详解（之二）

Jiyang Wang的博客

06-17

1635

简介非监督机器学习（Unsupervised Machine Learning）中的数据分布密度估计（Density Estimation）、样本采样（Sampling）与生成（Generation，或Synthesis，即合成）等几类任务具有重要的应用价值，这从近年来生成对抗网络（GAN）的流行就可以看出。完成这类任务的模型称为生成式模型（Generative Model）。其实，另一...

vae.rar_VAE_VAE生成mnist_auto encoder_变分_变分自编码

09-24

MNIST是一个广泛使用的机器学习基准，包含60,000个训练样本和10,000个测试样本。每个样本是28x28像素的灰度图像，代表0-9的手写数字。 **6. VAE的实现** 项目中的`vae.ipynb`和`VAE.py`文件分别包含了VAE模型的...

【机器学习】生成对抗网络(Generative Adversarial Networks, GANs)详解

loveting99的博客

09-07

813

生成对抗网络（GAN）作为一种具有深远影响的生成模型，自2014年首次提出以来，已在多个领域取得了显著的进展。GAN的核心思想，即通过对抗性训练的方式生成逼真的样本，展示了其在数据生成、图像编辑、数据增强等方面的巨大潜力。随着技术的不断进步，GAN的应用领域也在不断扩展，为解决实际问题提供了新的解决方案。

GPT作为生成式模型的天然优势

AI天才研究院

07-21

905

1. 背景介绍 1.1 问题的由来在自然语言处理（NLP）领域，生成式模型一直是研究的重点。生成式模型的目标是学习输入数据的联合概率分布，并尝试生成与输入数据类似的新数据。在NLP任务中，这意味着生成与训练语料库在统计特性上类似的新文本。然而，传统的生成式模型，如隐马尔可夫模型（HMM）和n-gram模

再谈变分自编码器（VAE）：估计样本概率密度

Paper weekly

12-23

1573

机器学习之概率密度估计

小木的博客

03-13

4511

写在前面的话：本文简述概率密度估计的方法以及代码实现，其中包括极大似然估计和非参数方法，非参数方法包括 parzen窗和 knn(k近邻)算法。注意，重点不是推导过程，而是最最最基本的实现方法！代码是用python，老师给的是.mat文件，本意是matlab，奈何我没好好学。代码也不够简单，欢迎批评。都是手动实现，knn用集成库也实现了一下，确实简单粗暴。在文末会放入几篇个人认为比较...

基于Keras的U-Net模型在图像分割与计数中的应用

深度学习实战训练营，一起交流探索深度学习

10-04

1713

网络结构优化：项目基于经典的U-Net模型进行改进，采用了更深的网络层次结构，使模型能够在多尺度上捕捉到图像中的细节信息。特别是针对医学图像分割，项目通过增加卷积层数和引入Dropout层来增强模型的特征提取能力，并有效防止过拟合，从而提高模型在训练数据较少情况下的表现。项目中采用了he_normal初始化器和relu激活函数组合，使得网络在训练时能够更快地收敛，降低梯度消失的风险。自定义数据增强策略：在中实现了一个自定义的图像增强类。

毒蘑菇检测数据集 9200张 14类毒蘑菇带标注 voc yolo

阿利同学的博客

10-07

1380

毒蘑菇检测数据集 9200张 14类毒蘑菇带标注 voc yolo

线性判别器LDA