- 博客(9)
- 收藏
- 关注
RSS订阅翻译 深度学习-卷积神经网络
卷积神经网络译者：Bossof537 原文出自：斯坦福CS231n笔记1、简介卷积神经网络与之前所讨论的常规神经网络十分相似，它们都由可以对权重和偏置进行学习的神经元构成。每个神经元接收一些输入，然后执行点积操作，再紧接一个任意的非线性函数。整个网络仍然表示为一个可微分的评估函数，从其一端输入原始图像像素，另一端输出类别的概率。其最后一层（全连接层）同样有损失函数，并且我们学习常规神经网络的方法和
2018-03-31 23:49:23
3018
翻译 深度学习-卷积神经网络(python3代码实现)
卷积神经网络（上）作者：Bossof537 写这个也不容易，小哥哥小姐姐转载请注明出处吧，感谢！1、简介卷积神经网络与常规的神经网络十分相似，它们都由可以对权重和偏置进行学习的神经元构成。每个神经元接收一些输入，然后执行点积操作，再紧接一个可选的非线性函数。整个网络仍然表示为单可微分的评估函数，整个网络从一端输入原始图像像素，另一端输出类别的概率。其最后一层（全连接层）同样有损...
2018-03-26 16:50:58
50239
13
原创 深度学习-BP神经网络(python3代码实现)
BP神经网络哈尔滨工程大学-537一、试验数据在试验开始前必定要先导入所需要的python库，%matplotlib inline是为了使绘制的图形能够显示在浏览器上。import numpy as npimport matplotlib.pyplot as pltimport random%matplotlib inline之后我们需要产生一些难以进行线...
2018-03-11 22:19:21
27416
3
原创 机器学习-K均值聚类(python3代码实现)
K均值聚类哈尔滨工程大学-537算法原理：K均值是发现给定数据集的kkk个簇的算法。簇个数kkk是用户给定的，每一个簇通过其质心(centroid)，即簇中所有点的中心来描述。K均值算法的工作流程是：首先随机确定kkk个初始点作为质心。然后将数据集中的每个点分配到一个簇，具体来讲，为每个点找距其最近的质心，并将其分配给该之心所对应的簇。这一步完成后，每个簇的质心更新为该簇所有点...
2018-02-27 16:00:29
9680
2
原创 机器学习-支持向量机(python3代码实现)
支持向量机哈尔滨工程大学-537算法原理：一、寻找最大间隔如下图所示，用一条分割线将两类点分割开来(二维的是一条分割线，多维的就是分隔面)，显然三条线都能将两类点分割开来，然而，从直观来看，红色的分割线显然分割效果最好。为什么这么说呢？因为红色的分割线到两边最近的点的距离更远。可以直观把两边的两类点想象成地雷，我们有一支红军要通过这片雷区，显然，沿着绿色和灰色的路线
2018-01-27 16:05:09
19812
16
原创 机器学习-朴素贝叶斯(python3代码实现)
朴素贝叶斯哈尔滨工程大学-537算法原理：代码实现：首先导入将会使用到的库：numpy、re、randomimport numpy as npimport reimport random定义一个text_parse函数，将文档进行分词(将整篇文档切分成单词)解析，得到长度大于2的词的列表。def text_parse(big_string): l
2018-01-24 18:04:58
1349
原创 自然语言处理-LDA主题模型
LDA主题模型哈尔滨工程大学-537一、LDA主题模型简介LDA(Latent Dirichlet Allocation)中文翻译为：潜在狄利克雷分布。LDA主题模型是一种文档生成模型，是一种非监督机器学习技术。它认为一篇文档是有多个主题的，而每个主题又对应着不同的词。一篇文档的构造过程，首先是以一定的概率选择某个主题，然后再在这个主题下以一定的概率选出某一个词，这样就生成了这篇文档的
2018-01-14 20:08:45
15272
8
原创 自然语言处理-BM25相关度打分
哈尔滨工程大学-537自然语言处理-BM25相关度打分(注：文中大写Query、Document等代表集合，小写query、document等代表集合中的个体)一、优缺点适用于：在文档包含查询词的情况下，或者说查询词精确命中文档的前提下，如何计算相似度，如何对内容进行排序。不适用于：基于传统检索模型的方法会存在一个固有缺陷，就是检索模型只能处理 Query 与 Docume
2018-01-13 20:37:18
7531
2
原创 机器学习-逻辑回归(python3代码实现)
逻辑回归（Logistic regression）哈尔滨工程大学—537算法原理一、sigmoid函数线性回归是将一组输入映射为一个输出值： hθ(x)=θ0+θ1x1+θ1x2hθ(x)=θ0+θ1x1+θ1x2h_\theta(x)=\theta_0+\theta_1x_1+\theta_1x_2，其中θ0θ0\theta_0是偏置项。 我们的目的是要找到最合适的θ0，...
2017-12-22 20:17:17
5169
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人