李宏毅深度学习笔记-半监督学习
半监督学习 什么是半监督学习？ 大家知道在监督学习里，有一大堆的训练数据（由input和output对组成）。例如上图所示\(x^r\)是一张图片，\(y^r\)是类别的label。 半监督学习是说，在label数据上面，有另外一组unlabeled的数据，写成\(x^u ...
原文：李宏毅深度学习笔记-无监督学习-降维
把无监督学习分成两种 一种是化繁为简，可以分成两大类：聚类和降维 所谓的化繁为简的意思是说，找一个函数，可以input看起来像树的东西，output都是抽象的树，把本来复杂的东西，变成比较简单的output。在做无监督学习时，通常只会有函数中的一边。比如找一个函数，可以把所有的树都变成抽象的树，但是拥有的数据，只有一大堆各种不同的图像，不知道它的output长什么样子。 另外一种是无中生有，找一 ...
2020-06-20 22:11 0 1428 推荐指数：
相关推荐
李宏毅深度学习笔记-无监督学习-领域嵌入
Manifold Learning t-SNE的“N E”就是Neighbor Embedding的缩写。现在要做的事情就是之前讲过的降维，只不过是非线性的降维。 我们知道数据点可能是高维空间里的一个流形曲面，也可以说，数据点的分布其实是在一个低维的空间里面，只是被扭曲塞到了一个高维空间 ...
李宏毅深度学习笔记-无监督学习-词嵌入
1-of-N encoding 词嵌入其实是降维的一种非常好，非常广为人知的应用。 如果要用一个向量表示一个词，最典型的做法是1-of-N encoding。每一个词用一个向量表示，向量的维度就是所有可能的词的数量，假如有10万个，那1-of-N encoding的维度就是十万维。每一个 ...
李宏毅深度学习笔记-无监督学习-深度自动编码器
什么是Auto-encoder 我们首先去找一个encoder，input一个东西，比如图像识别做MNIST的话，就是input一张手写数字图片（28 *28 维像素点），那就是input 78 ...
无监督学习——降维
为什么要降维？ 维数少可以使算法有更快的计算速度，减少机器内存占用等 多个特征携带的“信息”有相同或类似的情况（冗余） 用于数据可视化 如何降维？ 简单的例子，对于二位数据 可以找到一条线 将所有的数据映射到这条线上 然后用映射后的一维数据去代表二位数 ...
6.无监督学习-降维
PCA算法及其应用 1.主成分分析（PCA） 1.主成分分析(Principal Component Analysis,PCA) 是最常用的一种降维方法，通常用于高维数据集的探索与可视化，还可以用做数据压缩和预处理等。2.PCA可以把具有相关性的高维变量合成为线性无关的低维变量，称为主成分 ...
机器学习基础---无监督学习之降维
一：降维之数据压缩 将讨论第二种无监督学习的问题：降维。数据压缩不仅能让我们对数据进行压缩，使得数据占用较少的内存和硬盘空间，还能对学习算法进行加速。 （一）降维是什么（二维降至一维） 假使我们要采用两种不同的仪器来测量一些东西的尺寸，其中一个仪器测量结果的单位是英寸，另一个仪器测量的结果是 ...
李宏毅深度学习笔记-为什么要深度？
问题：越深越好？ 层数越多，参数越多，model比较复杂，数据又多的话，本来误差就越小，这为什么归因于”深“呢？ 矮胖结构 v.s. 高瘦结构 真正要比较”深“和”浅“的model的时候 ...