前言 本文大多内容来自 知乎文章: 卷积神经网络CNN完全指南终极版（一） 我将借用文章中的图片用自己的方式去理解 CNN. 图片最初来源是 YouTube 上一位博主的视频截图. B 站有视频转载【CNN】Youtube上迄今为止最好的卷积神经网络入门教程 卷积神经网络 (理论篇) 一、卷积核 卷积神经网络在现在已经被应用于各个领域, 尤其是图像识别这个方面. 但 CNN 真正能

BP 神经网络 一、前言 神经网络顾名思义是利用类似生物神经元的结构来完成数据处理的任务, 进而实现分类或者识别的功能. 生物神经网络处理的是电信号, 处理的基本单元就叫做神经元, 如下 图1 所示. 图 1. 生物神经元 一个神经元的突触与其他一个或者多个神经元的树突相连接, 以此来传递电信号. 数以亿计的神经元相互连接就构成了神经网络, 也被叫做生物神经网络.

矩阵分解 一、推荐系统中的矩阵 对于一个推荐系统, 用户和物品之间的关系可以整理为如下这样的一个矩阵. User-Item 1 2 3 4 5 ...... 1 5 4 4.5 ? 3.9 ...... 2 ? 4.5 ? 4.5 ? ...... 3 4.5 ? 4.4 4 4 ......

前言 本文学习过程来源是《矩阵分析与应用-张贤达》一书. 可以通过 z-lib 下载. 这部分将线代和概率两者之间结合起来, 使用矩阵来解决概率方面的问题. 在概率论中, 用符号 \(\omega(\omega \in \Omega)\) 代表基本事件, \(A(\in \mathcal{F})\) 为事件, \(\mathcal{F}\) 是事件的全部, \(P(A)\) 称为事件的概

前言 本文学习过程来源是《矩阵分析与应用-张贤达》一书. 可以通过 z-lib 下载. 线性空间是某一类事物在矩阵代数里的一个抽象的集合表示, 线性映射或线性变换则反映线性空间中元素间最基本的线性关系. 上面这句话出自书中第 14 页开头, 读下来第一感觉就是云里雾里, 毕竟出现了新的名称. 对于线性空间可以简单的把它理解为几何空间 (实际上不仅仅是几何空间这么简单), 例如一个 \

前言 本文学习过程来源是《矩阵分析与应用-张贤达》一书. 可以通过 z-lib 下载. 一、矩阵与向量 1. 式中矩阵与向量 在科学和工程中, 面对的是 \(m \times n\) 线性方程组. \[ \left\{ \begin{array}{c} a_{11}x_1+a_{12}x_2+\cdots+a_{1n}x_n=b_1 \\ a_{21}x_1+a

主动学习之 ALEC 一、半监督学习 在第 28 天的时候谈到了针对分类问题的监督式学习和无监督式学习. 无监督式学习相对监督式的优点就是不需要标签, 分类结果正确与否有待商榷. 监督式学习需要的数据集含有标签, 就能更加容易确定分类的正确性. 但是在现实世界中的数据集并不是全部都有标签, 可能只有数据集合中一少部分数据具有标签. 针对这个问题就提出了半监督式学习. 例如在第一阶段