动手学深度学习
文章平均质量分 92
Hanley_Yeung
这个作者很懒,什么都没留下…
展开
-
动手学深度学习(2.2)数据预处理
为两列“Alley_Pave”和“Alley_nan”。巷子类型为“Pave”的行会将“Alley_Pave”的值设置为1,“Alley_nan”的值设置为0。缺少巷子类型的行会将“Alley_Pave”和“Alley_nan”分别设置为0和1。其中每行描述了房间数量(“NumRooms”)、巷子类型(“Alley”)和房屋价格(“Price”)。由于“巷子类型”(“Alley”)列只接受两种类型的类别值“Pave”和“NaN”,中的所有条目都是数值类型,它们可以转换为张量格式。中的类别值或离散值,我们。原创 2024-07-22 15:02:31 · 633 阅读 · 0 评论 -
动手学深度学习(2.1)数据操作
为了能够完成各种数据操作,我们需要某种方法来存储和操作数据。 通常,我们需要做两件重要的事:(1)获取数据;(2)将数据读入计算机后对其进行处理。 如果没有某种方法来存储数据,那么获取数据是没有意义的。原创 2024-07-19 10:10:37 · 887 阅读 · 0 评论 -
动手学深度学习(1.6 - 1.8)深度学习的成功案例 & 特点 & 第一章小结
工业革命的这一阶段可能对社会的大部分地区产生深远的影响,因为卡车司机和店员是许多国家最常见的工作之一。此外,如果不加注意地应用统计模型,可能会导致种族、性别或年龄偏见,如果自动驱动相应的决策,则会引起对程序公平性的合理关注。同样,上面的列表仅仅触及了机器学习对实际应用的影响之处的皮毛。这种在处理统计问题上新发现的经验主义,加上人才的迅速涌入,导致了实用算法的快速进步。其次,目前还不存在能够自我改进、自我推理、能够在试图解决一般任务的同时,修改、扩展和改进自己的架构的“人工通用智能”工具。原创 2024-07-16 17:57:49 · 702 阅读 · 0 评论 -
动手学深度学习(1.4 - 1.5)起源 & 深度学习的发展
随机存取存储器没有跟上数据增长的步伐。 与此同时,算力的增长速度已经超过了现有数据的增长速度。 这意味着统计模型需要提高内存效率(这通常是通过添加非线性来实现的),同时由于计算预算的增加,能够花费更多时间来优化这些参数。 因此,机器学习和统计的关注点从(广义的)线性模型和核方法转移到了深度神经网络。 这也造就了许多深度学习的中流砥柱,如多层感知机 (McCulloch and Pitts, 1943) 、卷积神经网络 (LeCun et al., 1998) 、长短期记忆网络 (Graves and S原创 2024-07-16 15:45:01 · 722 阅读 · 0 评论 -
动手学深度学习(1.3.3 - 1.3.4)与环境互动 & 强化学习
智能体的动作会影响后续的观察,而奖励只与所选的动作相对应。环境可以是完整观察到的,也可以是部分观察到的,解释所有这些复杂性可能会对研究人员要求太高。最后,在任何时间点上,强化学习智能体可能知道一个好的策略,但可能有许多更好的策略从未尝试过的。强化学习智能体必须不断地做出选择:是应该利用当前最好的策略,还是探索新的策略空间(放弃一些短期回报来换取知识)。)在雅达利游戏中仅使用视觉输入就击败了人类, 以及 AlphaGo 程序在棋盘游戏围棋中击败了世界冠军,是两个突出强化学习的例子。强化学习智能体选择的“原创 2024-07-16 11:34:23 · 696 阅读 · 0 评论 -
动手学深度学习(1.3.1 - 1.3.2)监督学习 & 无监督学习
监督学习 & 无监督学习原创 2024-07-15 17:30:49 · 604 阅读 · 0 评论 -
动手学深度学习(1.1 - 1.2)
这个度量在大多数情况是“可优化”的,这被称之为目标函数。原创 2024-07-15 10:33:34 · 931 阅读 · 0 评论