coursera：1：安装Anaconda2：打开命令行端口pipinstallcoursera-dl3：coursera-dl-u用户名-p密码课程名称（coursera-dl-u用户名-p密码"mp4""en.srt""zh-CN""writing-english-university"）https://www.c
分类：
其他好文 时间：
2018-05-09 14:40:25
阅读次数：
129
1.为什么需要归一化？维基百科给出的解释：1）归一化后加快了梯度下降求最优解的速度；2）归一化有可能提高精度。 1）加快梯度下降求解速度 斯坦福机器学习视频做了很好的解释：https://class.coursera.org/ml-003/lecture/21 如下图所示，蓝色的圈圈图代表的是两个特 ...
分类：
其他好文 时间：
2018-05-05 20:45:33
阅读次数：
141
1、打开文件 使用handle=open(filename,mode)打开文件。这一函数将会返回一个handle（应该翻译为“柄”吧）用来操控文件，参数filename是一个字符串。参数mode是可选的，'r'代表读取文件，'w'代表写文件。 例： file handle可以看作是一个字符串序列，而 ...
分类：
编程语言 时间：
2018-05-05 19:44:35
阅读次数：
331
Convolutional Neural Networks https://www.coursera.org/learn/convolutional-neural-networks/home/welcome There are still something confuse me! working ...
分类：
Web程序 时间：
2018-05-02 16:11:23
阅读次数：
238
Word embeding 给word 加feature，用来区分word 之间的不同，或者识别word之间的相似性. 因为t-SNE 做了non-liner 的转化，所以在原来的3000维空间的平行的向量在转化过后的2D空间里基本上不会再平行. 看两个向量的相似性，可以用cosine simila ...
分类：
其他好文 时间：
2018-05-02 02:30:32
阅读次数：
183
记录几个常用的自学网站 实验楼 https://www.shiyanlou.com/ 网易云课堂 http://study.163.com/courses 慕课网 https://www.imooc.com/ 中国大学慕课 https://www.icourse163.org/ Coursera h ...
分类：
Web程序 时间：
2018-04-23 11:07:34
阅读次数：
265
一、问题 主方向的概念是什么？为什么降低维度的方法是使方差最大化？ 假设某两个特征之间成线性关系，在二维平面上的表示就是数据点呈线性分布，那么可以通过将数据在主方向上进行投影，得到一个一维的数据，这个一维的数据保留了原始数据大部分的信息. 两个特征之间成线性关系，但是由于一些噪声的影响，所以数据分布 ...
分类：
其他好文 时间：
2018-04-03 14:37:44
阅读次数：
153
一、高斯混合模型 软分类算法，即对每一个样本，计算其属于各个分布的概率，概率值最大的就是这个样本所属的分类。 对于训练样本的分布，看成为多个高斯分布加权得到的。其中每个高斯分布即为某一特定的类。 高斯混合模型和高斯判别分析非常像，唯一的区别就是在高斯混合模型中，每个样本所属的类别标签是未知的。 为了 ...
分类：
其他好文 时间：
2018-04-03 14:32:17
阅读次数：
148
一、经验风险最小化 1、有限假设类情形 对于Chernoff bound 不等式，最直观的解释就是利用高斯分布的图象。而且这个结论和中心极限定律没有关系，当m为任意值时Chernoff bound均成立，但是中心极限定律不一定成立。 随着 模型复杂度 （如多项式的次数、假设类的大小等）的增长， 训练 ...
分类：
其他好文 时间：
2018-04-03 14:29:26
阅读次数：
173
一、协方差矩阵 协方差矩阵为对称矩阵。 在高斯分布中，方差越大，数据分布越分散，方差越小发，数据分布越集中。 在协方差矩阵中，假设矩阵为二维，若第二维的方差大于第一维的方差，则在图像上的体现就是：高斯分布呈现一个椭圆形，且主轴对应的就是方差大的第二维度。简而言之，若对角线元素相等，则高斯分布的图形是 ...
分类：
其他好文 时间：
2018-04-03 14:27:28
阅读次数：
171
