1、我們將要實現一種更強大的方法來解決圖像分類問題，該方法可以自然地延伸到神經網絡和卷積神經網絡上。這種方法主要有兩部分組成：一個是評分函數（score function），它是原始圖像數據到類別分值的映射。另一個是損失函數（loss function），它是用來量化預測分類標簽的得分與真實標簽 ...

轉載請注明作者：夢里風林 Github工程地址：https://github.com/ahangchen/GDLnotes 歡迎star，有問題可以到Issue區討論 官方教程地址 視頻/字幕下載 ...

監督學習多用來解決分類問題，輸入的數據由特征和標簽兩部分構成。我們由淺入深地介紹一些經典的有監督的機器學習算法。 這里介紹一些比較簡單容易理解的處理線性分類問題的算法。 線性可分&線性不可分 首先，什么是線性分類問題？線性分類問題是指，根據標簽確定的數據在其空間中的分布，可以使用一條 ...

Linear Discriminant Analysis（線性判別分類器）是對費舍爾的線性鑒別方法(FLD)的歸納，屬於監督學習的方法。 LDA的基本思想是將高維的模式樣本投影到最佳鑒別矢量空間，以達到抽取分類信息和壓縮特征空間維數的效果，投影后保證模式樣本在新的子空間有最大的類間距離和最小的類 ...

Neighbor （k-NN）分類器，該分類器的基本思想是通過將測試圖像與訓練集帶標簽的圖像進行比較 ...

第一講 深度學習概述 1.1 深度學習的引出 特點： 通過 組合低層特征，形成了更加抽象的 高層特征。 表達式中的 u，w參數需要在訓練中通過 反向傳播多次迭代調整，使得整體的 分類誤差最小。 深度學習網絡往往 包含多個中間層（隱藏層），且網絡結構要更復雜一些 ...

目錄 一、Normlization BN LN 二、過擬合和欠擬合 如何區分過擬合和欠擬合？ 過擬合的原因？ ...

監督學習經典模型 機器學習中的監督學習模型的任務重點在於，根據已有的經驗知識對未知樣本的目標/標記進行預測。根據目標預測變量的類型不同，我們把監督學習任務大體分為分類學習與回歸預測兩類。監督學習任務的基本流程：首先准備訓練數據，可以是文本、圖像、音頻等；然后抽取所需要的特征，形成特征向量 ...