写文章
- @weixin_46564151
简介
该用户还未填写简介
擅长的技术栈
未填写擅长的技术栈
可提供的服务
暂无可提供的服务
【机器学习】二分类+多分类LDA线性判别分析降维算法的原理与推导
二分类+多分类LDA线性判别分析降维算法的原理与推导
【深度学习】损失函数（1）：Cross-Entropy Loss 交叉熵损失（代价函数和损失函数的区别+交叉熵与KL散度、信息熵/熵之间的关系）
优化我们的神经网络，使计算出的交叉熵最小，这就是交叉熵损失的基本思想
【机器学习】集成学习方法：Bagging（随机森林）+Boosting（AdaBoost）
一般的机器学习算法都是“单打独斗”，影响其性能（尤其是泛化性）的因素有很多，比如训练集中样本过少、样本分布不均匀等；除此以外，不同的机器学习方法也针对了不同类型的数据，但由于真实数据是未知的，它不一定也遵从训练集的数据分布，因此单兵作战的战斗力十分有限。集成学习是一种学习方法，而并非是具体的方法或者算法，思想是是将这些“单兵作战”的英雄组成团队，实现“3 个臭皮匠顶个诸葛亮”的效果。
【深度学习】网络训练原理：前向传播+反向传播
有了反向传播后，每有一个样本经过网络，就可以对网络的参数进行一次更新，而不需将所有样本都经过网络后再更新了
【深度学习】网络训练的原理：什么是梯度下降？学习率的作用是什么？
既然梯度方向是函数值增加的方向，那么自变量沿着这个方向走下去，函数值就会越来越大。反之，梯度的反方向就是函数值减小的方向，沿着梯度的反方向走下去，函数值就会越来越小
【机器学习】KNN算法及K值的选取
KNN算法及K值的选取
【机器学习】机器学习、深度学习、强化学习之间的关系
机器学习中一些概念的区分和理解
【深度学习】网络训练的原理：什么是梯度下降？学习率的作用是什么？
既然梯度方向是函数值增加的方向，那么自变量沿着这个方向走下去，函数值就会越来越大。反之，梯度的反方向就是函数值减小的方向，沿着梯度的反方向走下去，函数值就会越来越小
【机器学习】机器学习、深度学习、强化学习之间的关系
机器学习中一些概念的区分和理解
【机器学习】二分类+多分类LDA线性判别分析降维算法的原理与推导
二分类+多分类LDA线性判别分析降维算法的原理与推导