机器学习
文章平均质量分 72
yao1131
这个作者很懒,什么都没留下…
展开
-
Graph 探索之DeepWalk,Line,Node2Vec
Graph 探索之DeepWalk,Line,Node2Vec 网络表示学习**(Network Representation Learning,NRL),也称为图嵌入法(Graph Embedding Method,GEM):用低维、稠密、实值的向量表示网络中的节点(含有语义关系,利于计算存储,不用再手动提特征(自适应性),且可以将异质信息投影到同一个低维空间中方便进行下游计算)。也就是说...原创 2019-11-29 22:09:38 · 2028 阅读 · 0 评论 -
Graph探索之word2vec
谷歌无监督神器之word2vec本文参考:https://blog.csdn.net/peghoty/article/details/37969979 word2vec是用来生成词向量的工具,是一种无监督的学习方法,将词语数字化后就可以做很多处理了。此处的词语向量化后其中的数字是有意义的,代表的是不同词语间的相似度。word2vec包含两个模型:CBOW和Skip-gram模型,其中基于这两...原创 2019-11-26 15:23:34 · 344 阅读 · 0 评论 -
Win10&Ubuntu16.04双系统电脑开不了机以及黑屏等问题总结
问题一: 电脑重启后黑屏开不了机现象描述:自己在用ubuntu时用显卡跑了一些实验,但是跑了几次后电脑越来越卡(开的进程也比较多),关闭其他进程后还是很卡,打算重启电脑,就在这时电脑黑屏开不了机,就是主机可以开机,但是显示屏没有反映。自己把电脑主机的显卡卸了后再开机就可以了,装上显卡就不行。解决:怀疑是显卡卡槽或者连接线松动没插紧,最后试过几次没辙的时候把显卡用力往下压插进一些,电脑开机成功...原创 2019-01-17 22:31:19 · 3560 阅读 · 0 评论 -
哈达马积&克罗内克积
辨析matmul product(一般矩阵乘积),hadamard product(哈达玛积)、kronecker product(克罗内克积)转载 2017-10-24 17:22:25 · 9746 阅读 · 0 评论 -
极大似然估计与EM算法
极大似然估计1.用途在已知样本的情况下,估计满足样本分布的参数。2.例子 为了调查一个学校中男生的身高分布,我们随机抽取了100个男生作为样本X = {x1,x2,…,x100};已知男生身高分布满足高斯分布,求高斯分布的参数均值和标准差。 极大似然的思想就是出现的就是最大的,可以这样想,那么多学生我们随机抽取100个,刚好就抽到我们样本中那100个学生,这说明了这100个学生是所有组合中原创 2017-08-31 17:12:09 · 2327 阅读 · 0 评论 -
Bounding box 回归
转载自: http://blog.csdn.net/u011534057/article/details/51235964Reference link:http://caffecn.cn/?/question/160Question:我只知道,输入检测到的box,回归的是检测到box中心点,以及box长和宽到标记的box的映射。看过rcnn的回归的过程,就是把那个loss函数最小。但转载 2017-09-04 08:53:53 · 350 阅读 · 0 评论 -
Machine learning学习笔记<三>
机器学习的种类 一、从输出数据类型的角度1.就像我们笔记二中所说那样,输出就两种可能正确或者错误,转化为数学上的描述就是1或者0.这种情况我们称之为二分类,比如:感知器(PLA)就可以解决二分类问题。 2.输出也可能是多种类别的,比如:我们要识别0-9这十个数字,那么输出肯定就有十种可能了。类似这种我们称之为多分类问题。 3.前面两种输出都是离散的种类,那输出会不会是连续的呢?有可能哦。比如:我原创 2017-09-08 16:19:53 · 272 阅读 · 0 评论 -
machine learning学习笔记<二>
感知器 我们从一张图说起,如上图所示,我们想要用一条直线把二维平面中的圆圈和×两个不同类别的符号分离开来。每个圆圈和×的坐标都用(x1,x2)(x_1,x_2)来表示,而我们想要画的直线的表达式就是h(x)所示。其中x1,x2x_1,x_2为已知样本,剩下要求的就是权重值wiw_i了。函数sign是这样定义的,sign(x)=1,if x≥\geq0;sign(x) = -1,ifx<0.原创 2017-09-06 09:30:24 · 317 阅读 · 0 评论 -
machine learning 学习笔记<一>
machine learning 学习笔记<一> 声明: 此学习笔记为个人学习台湾大学林轩田老师的公开课—–机器学习后的心得和理解,对于这么大一个方向每个人都有每个人的想法和看法,本人才疏学浅,如有理解不到位的地方还请大家多多指正。一.概述 首先,为了理解机器学习(ML)是一个什么样的过程,我们可以从自己比较熟悉的“学习”这一概念入手。每个年龄段的人无时无刻都在学习,都在原创 2017-08-26 18:37:33 · 294 阅读 · 0 评论