![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习课程笔记
Chris_34
这个作者很懒,什么都没留下…
展开
-
机器学习模型评价指标整理
最近对这几个指标最近又有点生疏了,整理个笔记方便查看:分类/回归问题评估指标:分类问题回归问题准确率 – AccuracyMSE(均方误差)精确率(查准率)- PrecisionMAE (平均绝对误差)召回率(查全率)- Recall均方根误差(RMSE)F1分数R方 (R Squared)ROC曲线——AUC曲线——混淆矩阵...原创 2020-04-24 06:30:09 · 2311 阅读 · 0 评论 -
斯坦福大学AI系列课程传送门
美国计算机学科四大名校:加州大学伯克利分校(UC Berkeley)麻省理工学院(MIT)斯坦福大学(Stanford)卡耐基梅隆大学(CMU)。最近在学习斯坦福的机器学习和深度学习相关课程,在此留个课程传送门。1. 人工智能人工智能介绍:cs121: Introduction to Artificial Intelligence人工智能:原理与技术:cs221: Artif...原创 2020-04-12 20:27:10 · 845 阅读 · 0 评论 -
PyTorch迁移学习入门——VGG16 图像分类
前言迁移学习指的是保存已有问题的解决模型,并将其利用在其他不同但相关问题上。 比如说,用来辨识汽车的知识也可以被用来提升识别卡车的能力。很多情况下迁移学习能够简化我构建机器学习和深度学习模型,降低模型构建的难度,甚至取得不错的结果。本文将针对一个小的图片数据集,使用PyTorch进行迁移学习演示,包括如何使用预训练模型,并将结果自己搭建的卷积神经网络模型进行性能比较。预训练模型预训练模型是...原创 2020-03-31 06:00:48 · 10390 阅读 · 12 评论 -
HMM、MEMM、CRF模型的比较
一,HMMHMM模型中2个假设:输出观测值XiX_iXi之间相互独立;齐次一阶Markov,即状态的转移过程中当前状态只与前一状态有关。二、MEMMMEMM模型打破了观察值之间相互独立产生的问题,但是由于状态之间的假设理论,使得该模型存在 标注偏置问题(label bias problem)。三、CRF(Conditional Random Field)...原创 2019-10-09 02:31:16 · 1134 阅读 · 0 评论 -
关于机器学习特征选择的方法总结
机器学习特征选择的方法总结1.特征选择的重要性随着深度学习的发展, 大大缩减了特征提取和设计的任务。 不过, 特征工程依然是各种机器学习应用领域的重要组成部分。其中对于特征选择(排序)的研究对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能,更能帮助我们理解数据的特点、底层结构,对进一步改善模型、算法都有着重要作用。特征选择主要有两个功能:1.减少特征数量、降维,...原创 2019-09-12 15:28:33 · 3749 阅读 · 0 评论 -
目标检测 1——基本概念和Two Stage网络模型
笔记来源:DeepLearning-500-questions1.基本概念1.1 什么是目标检测? 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 计算机视觉中关于图像识别...翻译 2019-08-09 17:28:46 · 3936 阅读 · 0 评论 -
调用百度Ai飞桨平台人流量估计API【亲测可用】
最近搞了下高密度人群数量估计,参考了很多资料,首先是想自己动手搭建一个CSRnet进行训练,这个网络的代码实现可以参照论文和代码如下,有兴趣的可以动手自己做:CVPR 2018 Paper : https://arxiv.org/abs/1802.10062Keras实现:https://github.com/DiaoXY/CSRnet官方Pytorch实现:https://githu...原创 2019-08-06 18:09:49 · 2543 阅读 · 0 评论 -
批归一化(Batch Normalization)详细解释笔记
批归一化(Batch Normalization)的详细解释 以前在神经网络训练中,只是对输入层数据进行归一化处理,却没有在中间层进行归一化处理。要知道,虽然我们对输入数据进行了归一化处理,但是输入数据经过矩阵乘法以及非线性运算之后,其数据分布很可能被改变,而随着深度网络的多层运算之后,数据分布的变化将越来越大。如果我们能在网络的中间也进行归一化处理,是否对网络的训练起到改进作用呢?答案是肯定...原创 2019-07-31 11:14:40 · 4796 阅读 · 0 评论 -
CNN中parameters和FLOPs计算
CNN中parameters和FLOPs计算以AlexNet为例,先注意观察每层编注的通道数的变化。1. 卷积网络的参数量的计算(parameters)CNN中的parameters分为两种:W和b,注意这里W是大写,表示一个矩阵,也因此它相比 b,既含有更多的信息,同时也是parameters的主要部分。在AlexNet模型结构图中,每个大长方体中的小长方体就是W,它是大小为[K_h, ...原创 2019-07-30 11:37:21 · 13159 阅读 · 0 评论 -
机器学习代价函数,损失函数理解
机器学习常见的代价函数(1)二次代价函数(quadratic cost):J=12n∑x∥y(x)−aL(x)∥2J = \frac{1}{2n}\sum_x\Vert y(x)-a^L(x)\Vert^2J=2n1x∑∥y(x)−aL(x)∥2 其中,JJJ表示代价函数,xxx表示样本,yyy表示实际值,aaa表示输出值,nnn表示样本的总数。使用一个样本为例简单说明,此时二次代...原创 2019-07-29 12:00:22 · 503 阅读 · 0 评论 -
NLP_BERT模型的介绍
1.BERT模型的介绍BERT模型(Bidirectional Encoder Representations from Transformers)——基于Transformer的双向编码表示法:BERT模型的根基就是Transformer,来源于attention is all you need。双向的意思表示它在处理一个词的时候,能考虑到该词前面和后面单词的信息,从而获取上下文的语义。(...原创 2019-07-19 11:51:34 · 15457 阅读 · 0 评论 -
用户画像整体流程
用户画像将产品设计的焦点放在目标用户的动机和行为上,从而避免产品设计人员草率地代表用户。产品设计人员经常不自觉的把自己当作用户代表,根据自己的需求设计产品,导致无法抓住实际用户的需求。往往对产品做了很多功能的升级,用户却觉得体验变差了。在大数据领域,用户画像的作用远不止于此。用户的行为数据无法直接用于数据分析和模型训练,我们也无法从用户的行为日志中直接获取有用的信息。而将用户的行为数据标签化...原创 2019-07-03 11:17:45 · 14265 阅读 · 0 评论