ITPub博客

深度学习新星：GAN的基本原理、应用和走向  相关参考：【OpenAI】 Generative Models【搜狐科技】GAN之父NIPS 2016演讲现场直击：全方位解读生成对抗网络的原理及未来【pdf】：http://www.iangoodfellow.com/slides/2016-12-04-NIPS.pdf【简书 Not_GOD】- 生成式对抗网络 Generativ

AI从业者需要应用的10种深度学习方法  摘要：想要了解人工智能，不知道这十种深度学习方法怎么能行？ 在过去十年中，人们对机器学习的兴趣激增。几乎每天，我们都可以在各种各样的计算机科学课程、行业会议、华尔街日报等等看到有关机器学习的讨论。在所有关于机器学习的讨论中，许多人把机器学习能做的事情和他们希望机器学习做的事情混为一谈。从根本上讲，机器学习是使用算法从原始数据中

深入了解机器学习 https://www.cnblogs.com/DicksonJYL/p/9582354.html  摘要： 了解机器学习发展史、机器学习是什么？机器学习有什么？看看本文就够了。如今机器学习已经成为了这个时代的热门话题。机器学习已经存在了几十年，但直到最近我们才得以利用这项技术。接下来，让我们一起回顾一下机器学习的发展历史： &n

AI产品经理——成长路 https://www.cnblogs.com/DicksonJYL/p/9566740.html  以下都是自己平时知识的一些总结，只是一些个人的愚见，下面出现的公司、书籍、视频、网站都是自己看过体验过的，不是给他们打广告，不是广告！不是广告！不是广告！不同意见的评论区留下意见即可 一、   &nbsp

常见算法的性能比较常见算法的调参建议

如下图示：

神经网络基础常用激活函数常用调参方法：

CNN 简述(1) 卷积：对图像元素的矩阵变换，是提取图像特征的方法，多种卷积核可以提取多种特征。一个卷积核覆盖的原始图像的范围叫做感受野（权值共享）。一次卷积运算(哪怕是多个卷积核)提取的特征往往是局部的，难以提取出比较全局的特征，因此需要在一层卷积基础上继续做卷积计算 ，这也就是多层卷积。(2) 池化：降维的方法，按照卷积计算得出的特征向量维度大的惊人，不但会带来非常大的计算量，而且容易出现过

 RNN Q&A(1) 为什么具有记忆功能？这个是在RNN就解决的问题，就是因为有递归效应，上一时刻隐层的状态参与到了这个时刻的计算过程中，直白一点呢的表述也就是选择和决策参考了上一次的状态(2) 为什么LSTM记的时间长？因为特意设计的结构中具有CEC的特点，误差向上一个状态传递时几乎没有衰减，所以权值调整的时候，对于很长时间之前的状态带来的影响和结尾状态带来的影响可以同时发挥

拉格朗日乘数法https://www.cnblogs.com/DicksonJYL/p/9510545.html 拉格朗日乘数法是一个理论结果，用于求解带有等式约束的函数极值。对于如下问题：                       构造拉格朗日乘子函数： 

凸优化 数值优化算法面临两个方面的问题：局部极值，鞍点。前者是梯度为0的点，也是极值点，但不是全局极小值；后者连局部极值都不是，在鞍点处Hessian矩阵不定，即既非正定，也非负定。 凸优化通过对目标函数，优化变量的可行域进行限定，可以保证不会遇到上面两个问题。 凸优化是一类特殊的优化问题，它要求：ü  优化变量的可行域是一个凸集ü  目标函数是一

深度学习并非万能：你需要避免这三个坑 https://blog.csdn.net/weixin_42137700/article/details/81869546 作者：George Seif 编译：专知，小事整理：Mandy, Sanglei, Simy 【导读】本文是人工智能专家George Seif撰写的博文，介绍了在当前深度学习比较火热的情景下需要避免的三个坑。&n

https://blog.csdn.net/weixin_42137700/article/details/81806419欠拟合：是指模型的学习能力比较低，以至于，只学到了很少的一部分信息，当进行预测的时候，会发生方差最低，和偏差较大的情况 过拟合：是指模型的学习能力比较强，以至于，直接把题给背下来了，如果考到原题，就会实现相应的预测100%，如果预测的不再训练集中，那么结果就是0.过拟合是偏差

https://blog.csdn.net/shijing_0214/article/details/50996270在推荐系统简介中，我们给出了推荐系统的一般框架。很明显，推荐方法是整个推荐系统中最核心、最关键的部分，很大程度上决定了推荐系统性能的优劣。目前，主要的推荐方法包括：基于内容推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐和组合推荐。一、基于内容推荐基于内容的推荐（C

https://blog.csdn.net/shijing_0214/article/details/511690481、概率模型 机器学习中的很多模型可以根据概率分布形式分为生成模型和判别模型，其中生成模型以输入输出的联合分布P(X,Y)为基础建模，如朴素贝叶斯、隐马尔可夫模型；判别模型以条件概率分布P(Y|X)为基础建模，如最大熵模型、条件随机场等。这几个模型之间有一定的关系，它们的关系如下

孔子说过，温故而知新，时隔俩月再重看CNNs，当时不太了解的地方，又有了新的理解与体会，特此记录下来。文章图片及部分素材均来自网络，侵权请告知。卷积神经网络（Convolutinal Neural Networks）是非常强大的一种深度神经网络，它在图片的识别分类、NLP句子分类等方面已经获得了巨大的成功，也被广泛使用于工业界，例如谷歌将它用于图片搜索、亚马逊将它用于商品推荐等。首先给出几个CNN

零基础掌握极大似然估计https://mp.weixin.qq.com/s/v98qGCz_qN_73hnYKrCQFw 1极大似然估计 极大似然估计，通俗理解来说，就是在假定整体模型分布已知，利用已知的样本结果信息，反推最具有可能（最大概率）导致这些样本结果出现的模型参数值！ 换句话说，极大似然估计提供了一种给定观察数据来评估模型参数的方法，即：“模型已定，参数未知”。 可能

通俗理解信息熵 https://blog.csdn.net/weixin_42137700/article/details/81627952 1信息熵的公式 先抛出信息熵公式如下：其中p(xi)代表随机事件X为Xi的概率，下面来逐步介绍信息熵的公式来源！ 2信息量 信息量是对信息的度量，就跟时间的度量是秒一样，当我们考虑一个离散的随机变量x的时候，

一文区分什么是「过拟合」和「欠拟合」？https://blog.csdn.net/weixin_42137700/article/details/81627965编译：Richard Yang来源：Towards Data Science在正式讲这两个概念之前我们先来看一个故事：假设你想要习英语但之前对英语一无所知，不过曾听说过莎士比亚是一个位伟大的英国作家。你想要学英语的话，当然是将自己泡在一个

http://blog.itpub.net/31549715/viewspace-2199860/ 每个字都是经验所得，都是站在一个零基础的人的角度写的，纯手打+网上优秀资源整合，希望大家能每个字都认真看。接下来文章会侧重在以下几方面1、零基础如何进行人工智能的自学（以找工作为目的），包括路径规划，怎么学等等。2、我的个人感悟，关于转行、工作、创业、希望能给大家一些启发。3、好的学习资源分享先说一