【机器学习基础】系列博客为参考周志华老师的《机器学习》一书，自己所做的读书笔记。

【深度学习基础】系列博客为学习Coursera上吴恩达深度学习课程所做的课程笔记。

深层（或者说深度）只是一个相对的概念。隐藏层越多的神经网络，其深度越深。例如在上图中，含有5个隐层的神经网络就要比只含有1个隐层的神经网络要深。有些函数只有非常深层的神经网络能够学习，而浅一些的模型通常无法学习。

【深度学习基础】系列博客为学习Coursera上吴恩达深度学习课程所做的课程笔记。

链接；链接。在【深度学习基础】第十二课：归一化输入一文中，我们提到了归一化输入可以加速学习过程。根据这个思路，同样的我们也可以将每个隐藏层的输入a0a1a2ala0a1a2...al进行同样的归一化处理。这样我们就可以提升每一层的训练效率。⚠️但是在很多深度学习相关的研究中存在一个争议：是归一化激活函数的输入zlz^{[l]}zl还是归一化激活函数的输出ala^{[l]}al。在实践中，归一化zl

【机器学习基础】系列博客为参考周志华老师的《机器学习》一书，自己所做的读书笔记。

【机器学习基础】系列博客为参考周志华老师的《机器学习》一书，自己所做的读书笔记。

scikit-learn是针对python编程语言的免费软件机器学习库。。

【机器学习基础】系列博客为参考周志华老师的《机器学习》一书，自己所做的读书笔记。

无论SVM还是SVR，学得的模型总能表示成核函数κ(x,xi)\kappa (\mathbf x,\mathbf x_i)κ(x,xi​)的线性组合。不仅如此，事实上我们有下面这个称为“表示定理”（representer theorem）的更一般的结论：表示定理： 令H\mathbb{H}H为核函数κ\kappaκ对应的再生核希尔伯特空间，∥∥h∥∥H\|\| h\|\|_{\mathbb{H}}