机器学习基础（一）机器学习机器学习基础（一）1 基本概念1.1 ML各种常见算法图示1.2 导数的计算1.3 关于局部最优和全局最优的描述1.4 大数据与深度学习之间的关系2 机器学习的分类2.1 监督学习2.2 非监督式学习2.3 半监督式学习2.4 弱监督学习2.5 监督学习有哪些步骤emm… 那个第一篇文章，简单的自我介绍一下，机器学习小白，希望和大家一起进步，有什么问题可以留言一起探讨..

机器学习基础（二）文章目录机器学习基础（二）3.2 分类算法的评估方法3.3 正确率能很好的评估分类算法吗3.4 什么样的分类器是最好的4 逻辑回归4.1 回归划分4.2 逻辑回归适用性4.3 逻辑回归与朴素贝叶斯有什么区别4.4 线性回归与逻辑回归的区别上篇文章中，我们就机器学习的相关基础概念进行了阐述，包括机器学习的基本概念以及机器学习的分类。不了解的童鞋可以看一下补补课,机器学习系列（一..

在卷积的过程中，卷积核大小kernel_sizekernel\_sizekernel_size，填充PaddingPaddingPadding，步长StrideStrideStride。都会影响卷积输出的维度。假设输入维度为H∗W∗CH*W*CH∗W∗C，卷积核的大小为kkk，填充值为ppp，步长为sss，则输出特征图的维度为H′∗W′∗C′H'*W'*C'H′∗W′∗C′，参数量为：k2×&nb

最近阅读了有关鞍点得到文章，做了一下总结：鞍点的定义：鞍点 （saddle point）的数学含义是： 目标函数在此点上的梯度（一阶导数）值为 0， 但从该点出发的一个方向是函数的极大值点，而在另一个方向是函数的极小值点。而当在某点的一阶导为0时，该点称为驻点。判断鞍点的一个充分条件是：函数在一阶导数为零处（驻点）的Hessian矩阵为不定矩阵。半正定矩阵： 所有特征值为非负，或主子式...

[TCP/IP] Linux 搭建服务器局域网

最近在整理强化学习的一些基础知识。问题和参考答案，选自David Silver的一些录像以及《强化学习导论（第二版）》、郭老师的强化学习新书。文章目录1.强化学习的应用场景1.1 自动驾驶系统1.2 游戏AI1.3 推荐系统和搜索引擎2. 强化学习基础2.1 强化学习解决何种问题2.2 马尔科夫决策过程3. 基于值函数的强化学习方法（Value Based）3.1 基于模型的动态规划算法（DP）3

最近阅读了有关鞍点得到文章，做了一下总结：鞍点的定义：鞍点 （saddle point）的数学含义是： 目标函数在此点上的梯度（一阶导数）值为 0， 但从该点出发的一个方向是函数的极大值点，而在另一个方向是函数的极小值点。而当在某点的一阶导为0时，该点称为驻点。判断鞍点的一个充分条件是：函数在一阶导数为零处（驻点）的Hessian矩阵为不定矩阵。半正定矩阵： 所有特征值为非负，或主子式...

在卷积的过程中，卷积核大小kernel_sizekernel\_sizekernel_size，填充PaddingPaddingPadding，步长StrideStrideStride。都会影响卷积输出的维度。假设输入维度为H∗W∗CH*W*CH∗W∗C，卷积核的大小为kkk，填充值为ppp，步长为sss，则输出特征图的维度为H′∗W′∗C′H'*W'*C'H′∗W′∗C′，参数量为：k2×&nb

决策树文章目录决策树1 决策树的基本原理2 决策树的三要素3 决策树学习基本算法4 决策树算法优缺点5 熵的概念以及理解6 信息增益的理解7 剪枝处理的作用及策略参考文章1 决策树的基本原理​决策树（Decision Tree）是一种分而治之的决策过程。一个困难的预测问题，通过树的分支节点，被划分成两个或多个较为简单的子集，从结构上划分为不同的子问题。将依规则分割数据集的过程不断递归下去（...

在卷积的过程中，卷积核大小kernel_sizekernel\_sizekernel_size，填充PaddingPaddingPadding，步长StrideStrideStride。都会影响卷积输出的维度。假设输入维度为H∗W∗CH*W*CH∗W∗C，卷积核的大小为kkk，填充值为ppp，步长为sss，则输出特征图的维度为H′∗W′∗C′H'*W'*C'H′∗W′∗C′，参数量为：k2×&nb