神經網絡與深度學習
0.png (48.25 KB, 下載次數: 52)
下載附件
2018-8-10 16:00 上傳
0.png (122.3 KB, 下載次數: 72)
下載附件
2018-8-10 16:00 上傳
0.png (206.96 KB, 下載次數: 74)
下載附件
2018-8-10 16:00 上傳
有監督學習是利用一組已知輸入x和輸出y的數據來學習模型的參數,使得模型預測的輸出標記和真實標記盡可能的一致。有監督學習根據輸出類型又可以分為回歸和分類兩類。回歸(Regression) 如果輸出y是連續值(實數或連續整數),f(x)的輸出也是連續值。這種類型的問題就是回歸問題。對于所有已知或未知的(x;y),使得f(x; )和y盡可能地一致。損失函數通常定義為平方誤差。分類(Classication) 如果輸出y是離散的類別標記(符號),就是分類問題。損失函數有一般用0-1損失函數或負對數似然函數等。在分類問題中,通過學習得到的決策函數f(x; )也叫分類器。
無監督學習(Unsupervised Learning) 無監督學習是用來學習的數據不包含輸出目標,需要學習算法自動學習到一些有價值的信息。一個典型的無監督學習問題就是㚐類(Clustering)。
增強學習(Reinforcement Learning) 增強學習也叫強化學習,強調如何基于環境做出一系列的動作,以取得最大化的累積收益。每做出一個動作,并不一定立刻得到收益。增強學習和有監督學習的不同在于增強學習不需要顯式地以輸入/輸出對的方式給出訓練樣本,是一種在線的學習機制。
在梯度下降訓練的過程中,由于過擬合的原因,在訓練樣本上收斂的參數,并不一定在測試集上最優。因此,我們使用一個驗證集(Validation Dataset)(也叫開發集(Development Dataset))來測試每一次迭代的參數在驗證集上是否最優。如果在驗證集上的錯誤率不再下降,就停止迭代。這種策略叫Early-Stop。如果沒有驗證集,可以在訓練集上進行交叉驗證。
0.png (58.7 KB, 下載次數: 54)
下載附件
2018-8-10 16:02 上傳
0.png (60.73 KB, 下載次數: 66)
下載附件
2018-8-10 16:02 上傳
全部資料51hei下載地址:
《神經網絡與深度學習》邱錫鵬講義.pdf
(687.64 KB, 下載次數: 41)
2018-8-10 11:35 上傳
點擊文件名下載附件
下載積分: 黑幣 -5
《神經網絡與深度學習》邱錫鵬PPT.pdf
(1.17 MB, 下載次數: 35)
2018-8-10 11:35 上傳
點擊文件名下載附件
下載積分: 黑幣 -5
|