分类：人工智能

61. 支持向量机（线性模型）的图像展示

支持向量机学习方法，针对不同的情况，有由简至繁的不同模型：

线性可分支持向量机（linear support vector machine in linearly separable case）：训练数据线性可分的情况下，通过硬间隔最大化（hard margin maximization），学习一个线性的分类器，即线性可分支持向量机（亦称作硬间隔支持向量机）。

线性支持向量机（linear support vector machine）：训练数据近似线性可分的情况下，通过软间隔最大化（soft margin maximization），学习一个线性的分类器，称作线性支持向量机（又叫软间隔支持向量机）。

非线性支持向量机（non-linear support vector machine）：训练数据线性不可分的情况下，通过使用核技巧（kernel trick）及软间隔最大化，学习非线性分类器，称作非线性支持向量机。……

阅读更多

56. 概念介绍

有监督学习（Supervised learning）是从标签化训练数据集中推断出函数的机器学习任务。……

阅读更多

强化学习(policygradient和actor-critic

强化学习(Policy Gradient,Actor Critic) 强化学习是通过奖惩的反馈来不断学习的,在Q-Learning,Sarsa和DQN中,都是学习到了价值函数或对价值函数的近似,然后根据价值来选择策略……

阅读更多

 

时间序列的深度学习模型（RNN和LSTM）

一、RNN（循环神经网络）
Recurrent Neural Networks（RNN）用于处理序列模型的问题，是一种对序列数据建模的神经网络。

1.RNN与一般NN的不同
传统NN每个样本输入、输出之间相互独立，不能处理很多情况。比如预测句子的下一个单词是什么，需要用到之前的信息。
……

阅读更多

深度学习（卷积神经网络LENET）

Lenet 是一系列网络的合称，包括 Lenet1 – Lenet5，由 Yann LeCun 等人在 1990 年《Handwritten Digit Recognition with a Back-Propagation Network》中提出，是卷积神经网络的 HelloWorld。……

阅读更多

深度学习（自编码器AutoEncoder）

自编码器是用于无监督学习，高效编码的神经网络，自动编码器的目的就在于，学习一组数据的编码，通常用于数据的降维，自编码是一种无监督的算法，网络分为：输入层，隐藏层（编码层），解码层，该网络的目的在于重构输入，使其隐藏层的数据表示更加好，利用了反向传播，将输入值和目标值设置一样，就可以不断的进行迭代训练。……

阅读更多