机器学习40讲
王天一
工学博士,副教授
立即订阅
8040 人已学习
课程目录
已完结 44 讲
0/4登录后,你可以任选4讲全文学习。
开篇词 (1讲)
开篇词 | 打通修炼机器学习的任督二脉
免费
机器学习概观 (10讲)
01 | 频率视角下的机器学习
02 | 贝叶斯视角下的机器学习
03 | 学什么与怎么学
04 | 计算学习理论
05 | 模型的分类方式
06 | 模型的设计准则
07 | 模型的验证方法
08 | 模型的评估指标
09 | 实验设计
10 | 特征预处理
统计机器学习模型 (18讲)
11 | 基础线性回归:一元与多元
12 | 正则化处理:收缩方法与边际化
13 | 线性降维:主成分的使用
14 | 非线性降维:流形学习
15 | 从回归到分类:联系函数与降维
16 | 建模非正态分布:广义线性模型
17 | 几何角度看分类:支持向量机
18 | 从全局到局部:核技巧
19 | 非参数化的局部模型:K近邻
20 | 基于距离的学习:聚类与度量学习
21 | 基函数扩展:属性的非线性化
22 | 自适应的基函数:神经网络
23 | 层次化的神经网络:深度学习
24 | 深度编解码:表示学习
25 | 基于特征的区域划分:树模型
26 | 集成化处理:Boosting与Bagging
27 | 万能模型:梯度提升与随机森林
总结课 | 机器学习的模型体系
概率图模型 (14讲)
28 | 最简单的概率图:朴素贝叶斯
29 | 有向图模型:贝叶斯网络
30 | 无向图模型:马尔可夫随机场
31 | 建模连续分布:高斯网络
32 | 从有限到无限:高斯过程
33 | 序列化建模:隐马尔可夫模型
34 | 连续序列化模型:线性动态系统
35 | 精确推断:变量消除及其拓展
36 | 确定近似推断:变分贝叶斯
37 | 随机近似推断:MCMC
38 | 完备数据下的参数学习:有向图与无向图
39 | 隐变量下的参数学习:EM方法与混合模型
40 | 结构学习:基于约束与基于评分
总结课 | 贝叶斯学习的模型体系
结束语 (1讲)
结课 | 终有一天,你将为今天的付出骄傲
机器学习40讲
登录|注册

22 | 自适应的基函数:神经网络

王天一 2018-07-24
回眸人工神经网络的前半生,不由得让人唏嘘造化弄人。出道即巅峰的它经历了短暂的辉煌之后便以惊人的速度陨落,几乎沦落到人人喊打的境地。可谁曾想三十年河东三十年河西,一位天才的出现让神经网络起死回生,众人的态度也迅速从避之不及变成趋之若鹜。如果人工神经网络果真有一天如人所愿实现了智能,不知它会对自己的命运作何评价。
人工神经网络(artificial neural network)是对生物神经网络的模拟,意在通过结构的复制实现功能的复制。但人类神经系统在百万年进化中留下的智能密码并没有那么容易破解,因而神经网络最终也难以跳出统计模型的窠臼,成为线性模型大家族的又一位成员。
感知器示意图(图片来自 Machine Learning: an Algorithmic Perspective, 图 3.1)
人工神经网络的祖师爷是感知器(perceptron),其作用是根据输入数据的属性对它进行二分类。当偏置 时,感知器计算输入属性的线性组合 ,所有参数 共通构成分类边界的法向量 。求出的线性组合接下来被送入激活函数(activation function)中计算结果。感知器的激活函数是符号函数,其输出的二元结果就表示了两种不同的类别。
取消
完成
0/1000字
划线
笔记
复制
© 版权归极客邦科技所有,未经许可不得传播售卖。 页面已增加防盗追踪,如有侵权极客邦将依法追究其法律责任。
该试读文章来自付费专栏《机器学习40讲》,如需阅读全部文章,
请订阅文章所属专栏。
立即订阅
登录 后留言

精选留言(7)

  • 杨森
    我虽然难以理解清晰,但是这种方式我是喜欢的,已经不再是基础课了,目的是打通任督二脉。必须到一定难度才能触及到本质。一篇文章看一天我觉得不为过,不懂的名词需要慢慢查询学习了解。希望能度过难关,柳暗花明。

    作者回复: 是的,不能一直都在基础课转悠。如果看不懂细节可以先理解思想方法,搞清楚模型的思想原理,融会贯通之后再来深入细节。

    2018-07-30
    3
  • 吴常亮
    越来越看不懂了,还是需要老师深入浅出的讲解下去
    2018-07-25
    1
  • 吕胜
    麻烦老师增加一些直观的解释
    2018-07-25
    1
  • 风的轨迹
    老师我想问一个问题:
    “在用于分类的神经网络中,先验假设就是参数 ww 的概率分布,这个分布通常被处理成零均值的高斯分布。”
    确实我们在进行神经网络的参数初始化的时候一般都是用高斯分布,但是为什么必须用高斯分布而不能用别的分布呢?

    作者回复: 我觉得主要是在取值范围,高斯分布的取值基本在(-3, 3)范围内,在这个区间里sigmoid函数变化比较剧烈。

    2019-03-14
  • Python
    WC,看到今天终于懂老师写的专栏文章牛逼的地方了,之前看的懵懵懂懂,现在算有点前后融汇的感觉了
    2019-01-27
  • zhoujie
    一位天才的出现这里天才是指的谁?Hilton吗?

    作者回复: 是的

    2018-09-05
  • zhoujie
    关于深度学习,除了那本圣经之外还有其他书籍推荐吗

    作者回复: Francois Collet的Deep Learning with Python据说不错,但我没读过

    2018-09-05
收起评论
7
返回
顶部