![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
nndl-神经网络与深度学习随记
CHH3213
主要研究自动驾驶决策规划控制。
每天都要保持健康的状态,提升专业能力,谨慎投资!
展开
-
nndl-复旦-神经网络与深度学习笔记3
第三章 线性模型3.1 线性判别函数和决策边界二分类 二分类(Binary Classification)问题的类别标签 ???? 只有两种取值, 通常可以设为 {+1, −1} 或 {0, 1}. 在二分类问题中, 常用正例(Positive Sample) 和负例(Negative Sample) 来分别表示属于类别 +1 和 −1 的样本.超平面就是三维空间中的平面在更高维空间的推广. ???? 维空间中的 超 平 面 是 ???? − 1 维的. 在二维空间中, 决策边界为一个直线;原创 2020-12-03 21:43:48 · 576 阅读 · 0 评论 -
nndl-复旦-神经网络与深度学习笔记第三章习题
第三章习题参考资料:https://blog.csdn.net/qq_38252142/article/details/109007372https://github.com/nndl/solutions/issues答:决策平面为wTx+b=0w^Tx+b=0wTx+b=0,任意选择决策平面上两点:x1、x2x_1、x_2x1、x2,满足:wTx1+b=0w^Tx_1+b=0wTx1+b=0wTx2+b=0w^Tx_2+b=0wTx2+b=0则两式相减得:wT(x1−x2)=0w原创 2020-12-02 21:33:37 · 440 阅读 · 0 评论 -
nndl-复旦-神经网络与深度学习笔记第二章习题
第二章习题习题 2-1 分析为什么平方损失函数不适用于分类问题.分类问题中的标签,是没有连续的概念的。每个标签之间的距离也是没有实际意义的,所以预测值 和 标签两个向量之间的平方差这个值不能反应分类这个问题的优化程度。 假设分类问题的类别是1,2,3 那么对于一个真实类别为2的样本X,模型的分类结果是 1 或 3,平方损失函数得到的结果都一样,显然不适合。解:yn维数为1∗1;wn和wn维数为n∗1 &nb原创 2020-11-19 23:17:35 · 1040 阅读 · 0 评论 -
nndl-复旦-神经网络与深度学习笔记2
第二章 机器学习概述样本、特征(属性)、标签(用于预测的属性)、模型、学习算法我们通常用一个 D 维向量 ???? = [????1, ????2, ⋯ , ????D]T表示一个芒果的所有特征构成的向量, 称为特征向量 (Feature Vector), 其中每一维表示一个特征.并不是所有的样本特征都是数值型, 需要通过转换表示为特征向量。而芒果的标签通常用标量 y 来表示.寻找最优函数的过程就称为学习或训练过程图2.2给出了机器学习的基本流程. 对一个预测任务, 输入特征向量为原创 2020-11-19 23:17:07 · 387 阅读 · 0 评论 -
nndl-复旦-神经网络与深度学习笔记1
第一章使用机器学习模型步骤:数据预处理特征提取特征转换常用的有主成分分析(PCA),线性判别(LDA)降维:特征抽取、特征选择升维预测表示学习局部表示一种表示颜色的方法是以不同名字来命名不同的颜色, 这种表示方式叫作局部表示, 也称为离散表示或符号表示. 局部表示通常可以表示为one-hot 向量的形式.假设所有颜色的名字构成一个词表 ????, 词表大小为 |????|. 我们可以用一个 |????| 维的 one-hot 向量来表示每一种颜色. 在第 ???? 种颜色原创 2020-11-19 22:44:45 · 921 阅读 · 0 评论