介紹 RNN（Recurrent Nueral Network, 循環(huán)神經(jīng)網(wǎng)絡(luò)），自然語言處理常用的一種神經(jīng)網(wǎng)絡(luò)類型。因?yàn)樗妮斎牒洼敵觯ㄍǔ闀r(shí)間序列）是可變長(zhǎng)的，詳細(xì)介紹...
發(fā)簡(jiǎn)信
IP屬地：廣東
-
【Tensorflow學(xué)習(xí)】練習(xí)1：使用RNN生成古詩詞
-
機(jī)器學(xué)習(xí)筆記（19）：特征選擇與轉(zhuǎn)換本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第19篇，介紹了數(shù)據(jù)前處理的方法—特征選擇和特征轉(zhuǎn)換。 為什么需要特征選擇 特征選擇之所以重要，有兩個(gè)原因，一個(gè)源...
-
產(chǎn)品的持續(xù)交付與DevOps
概要：在產(chǎn)品交付的每個(gè)階段，需要設(shè)計(jì)好每個(gè)階段的環(huán)境、人員配置和決策卡點(diǎn)。其中，在每個(gè)決策上，為了保證質(zhì)量和進(jìn)度，需要對(duì)技術(shù)的可實(shí)現(xiàn)性和功能的友好性進(jìn)行充分思考，實(shí)現(xiàn)兩者的互...
-
機(jī)器學(xué)習(xí)筆記（18）：特征縮放本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第18篇，介紹了數(shù)據(jù)前處理的方法—特征縮放。 特征縮放（Feature Scaling）特征縮放是對(duì)數(shù)據(jù)特征進(jìn)行前處...
-
機(jī)器學(xué)習(xí)筆記（17）：聚類（2）
本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第17篇，介紹了什么是聚類（2），介紹軟聚類（高斯混合聚類模型）。 正態(tài)分布回顧軟聚類牽扯到一個(gè)非常有趣的概率學(xué)知識(shí)...
-
機(jī)器學(xué)習(xí)筆記（16）：聚類（1）本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第16篇，介紹了什么是聚類（1），介紹K-均值、單鏈路聚類和基于密度的聚類三種。 K-均值（K-Means）K-均值...
-
機(jī)器學(xué)習(xí)筆記（15）：非監(jiān)督學(xué)習(xí)與聚類本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第15篇，介紹了什么是非監(jiān)督學(xué)習(xí)和聚類。 非監(jiān)督學(xué)習(xí)非監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種方法，而且非常重要，因?yàn)楝F(xiàn)實(shí)生活中，我...
-
機(jī)器學(xué)習(xí)筆記（14）：集成學(xué)習(xí)本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第14篇，介紹了監(jiān)督學(xué)習(xí)中的集成學(xué)習(xí)。 什么是集成學(xué)習(xí)如果我們要對(duì)郵件進(jìn)行判斷，是否屬于垃圾郵件。首先，我們有一大堆...
-
機(jī)器學(xué)習(xí)筆記（13）：貝葉斯學(xué)習(xí)（3）本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第12篇，介紹了監(jiān)督學(xué)習(xí)中的貝葉斯學(xué)習(xí)模型（3）。 聯(lián)合分布在現(xiàn)實(shí)生活中，我們會(huì)對(duì)關(guān)聯(lián)的幾個(gè)隨機(jī)變量感興趣。例如，一...
-
機(jī)器學(xué)習(xí)筆記（12）：貝葉斯學(xué)習(xí)（2）
本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第12篇，介紹了監(jiān)督學(xué)習(xí)中的貝葉斯學(xué)習(xí)模型（2）。 在貝葉斯學(xué)習(xí)模型（1）中，介紹了貝葉斯規(guī)則（定理）。這里進(jìn)一步地...
-
機(jī)器學(xué)習(xí)筆記（11）：貝葉斯學(xué)習(xí)（1）本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第11篇，介紹了監(jiān)督學(xué)習(xí)中的貝葉斯學(xué)習(xí)模型（1）。 樸素貝葉斯樸素貝葉斯是一個(gè)分類模型，如下圖所示，有正反兩類樣本數(shù)...
-
機(jī)器學(xué)習(xí)筆記（10）：支持向量機(jī)本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第10篇，介紹了監(jiān)督學(xué)習(xí)中的支持向量機(jī)。 支持向量機(jī)支持向量機(jī)是一種分類模型，它是在給定的有兩個(gè)類別的數(shù)據(jù)集下，尋找...
-
機(jī)器學(xué)習(xí)筆記（9）：Logistic回歸
本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第9篇，介紹了監(jiān)督學(xué)習(xí)中的Logistic回歸。 Logistic回歸 Logistic回歸雖然帶有回歸兩字，但它...
-
機(jī)器學(xué)習(xí)筆記（8）：感知器本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第8篇，介紹了監(jiān)督學(xué)習(xí)中的感知器。 感知器感知器如下圖所示。 是輸入，它們分別乘以一個(gè)權(quán)重后相加，然后與一個(gè)閾值相比...
-
機(jī)器學(xué)習(xí)筆記（7）：K近鄰本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第7篇，介紹了監(jiān)督學(xué)習(xí)中的K近鄰模型。 K近鄰 K近鄰模型理解起來非常簡(jiǎn)單。假設(shè)我們已經(jīng)知道下面地圖中紅點(diǎn)、藍(lán)點(diǎn)和綠...
-
機(jī)器學(xué)習(xí)筆記（6）：決策樹本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第6篇，介紹了監(jiān)督學(xué)習(xí)中的決策樹模型。 決策樹 決策樹是監(jiān)督學(xué)習(xí)中的分類模型的一種。關(guān)于分類模型，我們先了解下面的的...
-
機(jī)器學(xué)習(xí)筆記（5）：線性回歸本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第5篇，介紹了監(jiān)督學(xué)習(xí)中的線性回歸模型。 線性回歸回歸這一個(gè)概念，在百度百科的解釋是“發(fā)生倒退或表現(xiàn)倒退；常指趨于接...
-
機(jī)器學(xué)習(xí)筆記（4）：監(jiān)督學(xué)習(xí)
本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第4篇，介紹了什么是監(jiān)督學(xué)習(xí)。 監(jiān)督學(xué)習(xí)（Supervised Learning） 監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種分類，“...
-
機(jī)器學(xué)習(xí)筆記（3）：誤差、復(fù)雜度曲線、學(xué)習(xí)曲線等
本文來自之前在Udacity上自學(xué)機(jī)器學(xué)習(xí)的系列筆記。這是第3篇，介紹了模型的誤差類型、誤差的由來、找到模型適合的參數(shù)、以及避免欠擬合和過擬合的方法。 1.診斷誤差 1.1....
-
如何在微信公眾號(hào)的文章中插入數(shù)學(xué)公式微信公眾號(hào)里的編輯器里是不能直接輸入數(shù)學(xué)公式，那么如何實(shí)現(xiàn)數(shù)學(xué)公式的輸入呢？ 有效的辦法就是先使用數(shù)學(xué)公式編輯器生成需要的數(shù)學(xué)公式，然后再把數(shù)學(xué)公式截圖，通過插入圖片的方式放...