第十五章——自编码器（Autoencoders）
自编码器是一种能够通过无监督学习，学到输入数据高效表示的人工神经网络。输入数据的这一高效表示称为编码（codings），其维度一般远小于输入数据，使得自编码器可用于降维（查看第八章）。更重要的是，自编 ...
花费 13 ms
第十四章——循环神经网络（Recurrent Neural Networks）（第一部分）
本章共两部分，这是第一部分： 第十四章——循环神经网络（Recurrent Neural Networks）（第一部分） 第十四章——循环神经网络（Recurrent Neural Network ...
第四章——训练模型（Training Models）
前几章在不知道原理的情况下，已经学会使用了多个机器学习模型机器算法。Scikit-Learn很方便，以至于隐藏了太多的实现细节。 知其然知其所以然是必要的，这有利于快速选择合适的模型、正确的训练算法 ...
第八章——降维（Dimensionality Reduction）
机器学习问题可能包含成百上千的特征。特征数量过多，不仅使得训练很耗时，而且难以找到解决方案。这一问题被称为维数灾难（curse of dimensionality）。为简化问题，加速训练，就需要降维了 ...
第十章——人工神经网络入门
10.1 从生物到人工神经元（From Biological to Artificial Neurons） 人工神经网络经历了70年的跌宕起伏：深度学习与神经网络:浅谈人工神经网络跌宕起伏七十年。 ...
第十四章——循环神经网络（Recurrent Neural Networks）（第二部分）
本章共两部分，这是第二部分： 第十四章——循环神经网络（Recurrent Neural Networks）（第一部分） 第十四章——循环神经网络（Recurrent Neural Network ...
第六章——决策树（Decision Trees）
决策树是强大的，多功能的机器学习算法。 6.1 训练和可视化一个决策树 在iris数据集训练DecisionTreeClassifier： from sklearn.datasets im ...
第十一章——训练深度神经网络
上一章我们训练了一个浅层神经网络，只要两个隐层。但如果处理复杂的问题，例如从高分辨率图像中识别上百种类的物品，这就需要训练一个深度DNN。也行包含十层，每层上百个神经元，几十万个连接。这绝不是闹着玩的 ...
第十三章——卷积神经网络（CNN）
卷积神经网络（Convolutional neural networks，CNNs）来源于对大脑视觉皮层的研究，并于1980s开始应用于图像识别。现如今CNN已经在复杂的视觉任务中取得了巨大成功，比如 ...
第七章——集成学习和随机森林（Ensemble Learning and Random Forests）
俗话说，三个臭皮匠顶个诸葛亮。类似的，如果集成一系列分类器的预测结果，也将会得到由于单个预测期的预测结果。一组预测期称为一个集合（ensemble），因此这一技术被称为集成学习（Ensemble Le ...