神经网络按照不同的分类方式，会有多种形式的划分。第一种分类方式是按照类型来分，包含两种类型，分别为前馈神经网络和反馈神经网络。掌握神经网络层与层之间的结构后，会有助于我们对神经网络的理解，从而更好的理解参数模型，找到算法合适的参数。

第三节最大似然推导mse损失函数（深度解析最小二乘来源）       在第二节中，我们介绍了高斯分布的来源，以及其概率密度函数对应的参数的解释。本节的话，我们结合高斯分布从数学原理部分解释为什么损失函数是最小二乘。 我们再来回归下高斯分布的概率密度函数实际上是这个形式的：f(x)=1σ2πe−(x−u)22σ2f(x)=\frac{1}{\sigma ...

文本处理方式是深度学习领域中自然语言处理的基础，即把文本转变成计算机识别的语言过程。转变之后才能用算法做后续的文本分析和理解。所以有必要了解文本处理的几种方式，做到对不同的场景采用不同的处理方式。常见的文本处理方式有独热编码(one-hot)，词袋法(Bag of words)，TF-IDF和词向量(Word2Vec)这4种，我们分别为大家解释。

目录大白话5分钟带你走进人工智能-第一节开篇介绍以及线性回归简介篇大白话5分钟带你走进人工智能-第二节概率基础及高斯分布大白话5分钟带你走进人工智能-第三节最大似然推导m...

一、前述本文通过一个案例来讲解Q-Learning二、具体1、案例假设我们需要走到5房间。转变为如下图：先构造奖励，达到5，即能够走得5的action则说明奖励比较高设置成100，没有达到5说明奖励比较低，设置成0。Q-learning实现步骤：2、案例详解：第一步的Q(1,5)：最开始的Q矩阵都是零矩阵，迭代完之后Q（1,5）是...

一、前述回归问题求解时梯度下降由于样本数据的多样性，往往对模型有很大的影响，所以需要对样本数据做一些优化二、归一化1、背景各个维度的输入如果在数值上差异很大，那么会引起正确的w在各个维度上数值差异很大。这样找寻w的时候，对各个维度的调整基本上是按照同一个数量级来进行调整的。因此需要归一化。2、归一化方法• 归一化的一种方法：最大值最小值法• 缺点是抗干扰能力弱• 受离群...

目录大白话5分钟带你走进人工智能-第一节开篇介绍以及线性回归简介篇大白话5分钟带你走进人工智能-第二节概率基础及高斯分布大白话5分钟带你走进人工智能-第三节最大似然推导m...

神经网络有着灵活性，同时也是算法的主要缺点：需要有许多超参数需要去调节。比如隐藏层及神经元个数，轮次，每一轮次给多少数据，学习率，对于神经网来说，有很多超参数可以调节。层数，每层的神经元数，在每层使用的激活函数，初始化权重的逻辑，等等你怎么知道哪种组合最适合你的任务？站在机器学习角度来说，可以去使用grid search，cross validation就是交叉熵验证加上栅格搜索，但是它在深度学习

第四节最大似然推导mse损失函数（深度解析最小二乘来源)（2）       上一节我们说了极大似然的思想以及似然函数的意义，了解了要使模型最好的参数值就要使似然函数最大，同时损失函数（最小二乘）最小， 留下了一个问题，就是这两个因素或者目的矛盾吗？今天我们就接着上面的问题继续解剖下去。       我们再来回顾下似..

一、背景前言先看下人眼看到物体的情况：眼睛里一个神经元，它会盯着图像，但它并不会盯着图像的每一个像素，它只会盯着图像的一部分。盯的一部分，称为叫感受野，也就是感受的一部分。另外一个神经元它又会盯着另外的一部分。但是它们有重叠。这就相当于一些神经元看线， 另外一些神经元会看线的方向，然后组合底层的一些图案，所以底层看到的这个线、方向组合成一些更大的感受野，然后组成一些基础图像，基础图像再...