Posts List

深度学习之人脸识别和神经风格迁移

人脸识别 人脸验证指输入图片后验证是否是对应的人。而人脸识别则是输入一副图片,在数据库中寻找符合输入的图片,并识别输出。大多数人脸识别系统存在One-shot learning问题。

机器学习之推荐系统

概念 很多网站都使用推荐系统预测用户喜欢的内容。以电影资讯网站为例,假设电影有多个特征,那么根据用户对电影的打分,我们可以预测用户可能喜欢那些类型的电影,这就是基于内容的推荐系统。这种优化过程和线性回归类似。

机器学习之异常检测

概念 异常检测是一种识别异常样本的方法,我们需要构建一个概率模型,如果某一样本被认定是正常样本的概率足够小,那么它会被当做异常样本。高斯分布(或称正态分布)模型是异常检测算法最常使用的概率分布模型。

机器学习之主成分分析

概念 主成分分析(Principle Component Analysis,缩写PCA)是一种特征降维技术,也是一种无监督学习算法。另外两种较为常用的降维技术是t-SNE和自编码器。PCA能从冗余特征中提取主要成分,在不太损失模型质量的情况下,提升模型训练速度。

机器学习之K-平均算法

概念 K-平均算法是一种无监督的聚类算法。无监督学习是一种自由的方式,其训练集不会标明类别,需要算法进行自我归纳。K-平均算法的思想是,对于给定的训练集,按照样本之间距离的大小划分为k个簇。让簇内的点尽量靠在一起,簇与簇之间的距离尽量大。

机器学习之神经网络

前向传播 神经网络每层都包含有若干神经元,当信息传递时,第i层神经元接受上层的输入,经激励函数作用后,会产生一个激活向量,此向量将作为下一层神经元的输入值,以此规律向下不断传递。整个过程因为发生顺序是不断地将刺激由前一层传向下一层,故而称之为前向传递。

机器学习之逻辑回归

概念 在现实生活中,我们遇到的数据大多数都是非线性的,因此不能用线性回归的方法来进行数据拟合,这就需要用到逻辑回归。逻辑回归虽然名字里带“回归”,但是实际上是一种分类方法,用于两分类问题。基本过程如下:

机器学习之线性回归

概念 梯度下降法是一种寻找函数最小值的一阶最优化算法,为找到函数的局部最小值,需要采用与当前点处函数的梯度(或者是近似梯度)的反方向成比例的步长进行迭代搜索。直观地来看,假如我们处于一座山的顶端,想要寻找最快的下山方法。从几何意义上讲,梯度的方向是函数值增加最快的方向,所以梯度的反方向就是函数值下降最快的方向。我们在每一点反复求取梯度,最后到达局部的最小值,就可以下山了。