深层神经网络1. 深层神经网络2. 深层网络中的前向传播3. 前向传播和反向传播4. 核对矩阵的维数5. 为什么使用深层表示？6. 搭建神经网络块7. 参数 vs. 超参数8. 深度学习和大脑的关联性1. 深层神经网络深层神经网络其实就是包含更多的隐藏层神经网络。如下图所示，分别列举了逻辑回归、1个隐藏层的神经网络、2个隐藏层的神经网络和5个隐藏层的神经网络它们的模型结构。命名规则上，一般只参考隐

支持向量机1. 优化目标2. 大间距的直观理解3. 大间距分类器背后的数学原理4. 核函数5. 使用支持向量机1. 优化目标  与Logistic回归和神经网络相比，支持向量机（SVM）在学习复杂的非线性方程时提供了一种更为清晰、更加强大的方式。  接下来，我们从Logistic回归开始展示我们如何一点一点修改来得到本质上的支持向量机。  Logistic回归模型的假设函数是hθ(x)=g(θTx

异常检测1. 问题的动机2. 高斯分布3. 算法4. 开发和评价异常检测系统5. 异常检测与监督学习对比6. 选择特征7. 多元高斯分布8. 使用多元高斯分布进行异常检测1. 问题的动机  异常检测是机器学习算法的一个常见应用，这种算法的一个有趣之处在于：它虽然主要用于非监督学习，但从某些角度来看，又类似于一些监督学习问题。  一个异常检测的例子：假设作为一个飞机引擎制造商，当我们生产的飞机引擎从

一个完整的深度框架中应该包含两个主要部分，即训练（training）和推理（inference）训练（Training）打个比方，你现在想要训练一个能区分苹果还是橘子的模型，你需要搜索一些苹果和橘子的图片，这些图片放在一起称为训练数据集（training dataset），训练数据集是有标签的，苹果图片的标签就是苹果，橘子亦然。一个初始神经网络通过不断的优化自身参数，来让自己变得准确，可能开始10

深度卷积网络：实例探究1. 为什么要进行实例探究2. 经典网络3. 残差网络 ResNets4. 残差网络为什么有用5. 网络中的网络 以及 1×1 卷积6. 谷歌 Inception 网络简介7. Inception 网络8. 使用开源的实现方案9. 迁移学习10. 数据增强 Data augmentation11. 计算机视觉现状1. 为什么要进行实例探究学习大佬们的组建网络的方法，借鉴过来解

应用实例：图片文字识别1. 问题描述和流水线2. 滑动窗口3. 获取大量数据：人工数据合成4. 上限分析：流水线的哪个模块最有改进价值  学习图片文字识别的应用实例要做的事情：展示一个复杂的机器学习系统是如何组合起来的；介绍机器学习流水线（machine learning pipeline）的有关概念以及如何分配资源来对下一步的计划作决定；通过介绍photo OCR（photo Optical C

降维1. 动机1：数据压缩2. 动机2：数据可视化3. 主成分分析问题规划4. 主成分分析算法5. 重建压缩表示6. 主成分数量的选择7. 应用PCA的建议1. 动机1：数据压缩  数据压缩不仅能对数据进行压缩，使得数据占用较少的内存或硬盘空间，还能让我们对学习算法进行加速。  假使我们要采用两种不同的仪器来测量一些东西的尺寸，其中一个仪器测量结果x1x_{1}x1​的单位是厘米，另一个仪器测量的

异常检测1. 问题的动机2. 高斯分布3. 算法4. 开发和评价异常检测系统5. 异常检测与监督学习对比6. 选择特征7. 多元高斯分布8. 使用多元高斯分布进行异常检测1. 问题的动机  异常检测是机器学习算法的一个常见应用，这种算法的一个有趣之处在于：它虽然主要用于非监督学习，但从某些角度来看，又类似于一些监督学习问题。  一个异常检测的例子：假设作为一个飞机引擎制造商，当我们生产的飞机引擎从

一文捋清【reshape、view、rearrange、contiguous、transpose、squeeze、unsqueeze】1. reshape2. view3. rearrange4. transpose5. permute6. contiguous7. squeeze8. unsqueeze1. reshapereshape() 函数： 用于在不更改数据的情况下为数组赋予新形状。注意

主成分分析PCA--------------PCA简单使用-------------一：回顾PCA（一）主成分分析法是干什么用的？（二）主成分分析法在做什么？（三）主成分分析法具体怎么做呢？——降维（四）主成分分析法具体怎么做呢？——重建数据二：数据集导入及可视化三：数据预处理三：奇异值分解四：使用PCA进行降维五：数据升维六：绘制PCA可视化图像-------------人脸像素降维之PCA使用