暂无个人介绍
本文介绍了神经网络中的两种常用激活函数——softmax与sigmoid函数,简单介绍了其基本原理、性质及其使用,并用python进行了实例化演示,在文章的最后总结了两种激活函数的区别。
本文介绍了关于对抗样本的7篇文献,解释了对抗样本的产生及攻击原理,对深层神经网络会有什么影响等。结果表明,即使是训练得非常好的神经网络在对抗样本前会显得那么脆弱,不过我们可以通过利用对抗样本进行对抗训练以提高模型的努棒性。
本文主要介绍了探索性数据分析的价值,说明了探索性数据分析(EDA)是什么以及详细介绍了两种假设,另外文中分析了探索性数据分析对于建模而言是很重要的一步,能够帮助数据科学家找到模型结果出错的原因。
本文介绍了一种利用迭代投影算法对神经网络进行训练的方法,首先介绍了交替投影的基础知识,说明投影方法是寻找非凸优化问题解决方案的一种有效方法;之后介绍了差异图的基础知识,将差异图与一些其他算法相结合使得差分映射算法能够收敛于一个好的解决方案;当投影的情况变多时,介绍了分治算法,最后将迭代投影算法应用到神经网络训练中,给出的例子实验结果表明效果不错。
本文主要介绍自动驾驶涉及到的法律与伦理问题,首先介绍现存法律的现状,分析正常人与机器人之间的区别,并引申到伦理问题方面。在文章的最后给出建议,应该让伦理学专家参与到自动驾驶系统的设计及工程过程中。
本文介绍t-SNE聚类算法,分析其基本原理。并从精度上与PCA等其它降维算法进行比较分析,结果表明t-SNE算法更优越,本文最后给出了R、Python实现的示例以及常见问题。t-SNE算法用于自然语音处理、图像处理等领域很有研究前景。
本文整理quora论坛的主题——如何开始学习TensorFlow,16位资深行业者给出了相关的建议以及对应的学习资料链接。读者可以根据自身情况参考合适的建议,是一份不可多得的学习TensorFlow的指南。
本文是一篇关于深度学习的入门笔记,简单的介绍了几种神经网络的基本结构以及原理,包含受限玻尔兹曼机、卷积神经网络、循环神经网络等;介绍他们的训练的基本过程,并说明各自应用领域,适合深度学习研究者的入门理解。
本文介绍了五种解构复杂系统的常用模型,分别为思维导图、概念导图、系统导图、心智模型以及概念模型;针对每种模型,作者给出了相关的制作规则以及案例,读者可以根据自身情况选择合适的模型,对复杂系统进行更深入的了解。
本文详细介绍了深度学习中dropout技巧的思想,分析了Dropout以及Inverted Dropout两个版本,另外将单个神经元与伯努利随机变量相联系让人耳目一新。
本文简单介绍了变分自动编码器VAE的基本原理,从经典神经网络的贝叶斯计算概率方法慢慢转变到变分自动编码器神经网络中的优化问题,使用KL散度度量误差,给大家提供一个VAE的基本框架。全篇没有公式,通俗易懂。
本文适用于没有任何机器学习背景的读者,目标是向艺术家和设计师展示如何使用一个预训练的神经网络并使用简单的Javascript和p5.js库生成交互式的数字作品。教程简单详细,没有任何的公式与推导。
本文概述了学习数据挖掘与数据科学的七个步骤,每一步都给出了详细的学习资源,便于初学者按照指南开展数据挖掘与数据科学的学习。
本文简单介绍如何在windows系统下配置TensorFlow并能使用GPU进行加速运算的过程,文章通俗易懂,更新及时。
深度卷积神经网络(CNNs)在许多模式识别任务中取得了很大的性能突破, 然而高质量深度模型的发展依赖于大量的尝试,这是由于没有很好的理解深度模型是怎么工作的,在本文中,提出了一个可视化分析系统CNNVis,帮助机器学习专家更好的理解、分析、设计深度卷积神经网络。
本篇文章是"机器学习理论"三部曲中的第二部分,主要介绍独立同分布、大数法则及hoeffding不等式等基本数学知识,详细推导了泛化界限及其分解。
针对Kaggle保险索赔竞赛给定的数据集,本文详细介绍了如何利用python对数据集进行分析并对特种进行预处理操作。以保险索赔竞赛案例和详细的操作步骤,生动形象的讲解了自动预测保险索赔的算法流程。
该文献主要介绍深度学习网络中语音、文字以及图片这块中的典型神经网络,重点介绍Memory与Attention的发展前沿,分析了几个详细的典型模型,说明Memory与Attention在文字、语音以及图片相关应用中的重要性。
利用卷积神经网络(CNN)对卫星影像进行多尺度目标检测,该文是在YOLO模型的基础上改进提出YOLT模型,该方法极大的提高了背景区分,并能够在不同尺度和多个传感器上快速检测出物体。
本文首先介绍了贝叶斯的起源,并利用简单的例子生动形象地讲解了贝叶斯定理是如何工作的,解释了其基本原理以及公式的物理含义。
模拟对话的未来方向的关键在于生成连续、有趣的对话,导致对话的传统NLP模型去借鉴强化学习的需求。展示如何去整合这些目标,在聊天机器人对话中使用深度强化学习去建模未来的反馈。该模型模拟两个虚拟代理之间的对话,使用策略梯度算法惩罚序列,具有交互性,连贯性,易于回答等特点