2503-郑同学-算法方向-计算机视觉-就业:是 扫二维码继续学习 二维码时效为半小时

(0评价)
价格: 免费

GAN: Generative Adversarial Network

since sliced bread

Disciminator

Step 1: Fix G, update D

Step 1: Fix D, update G

 

Can Generator learn by itself?

 

Auto-encoder

Decoder = Generator

 

Can Discriminator generate?

 

[展开全文]

Why CNN for image

Filter: 3×3

stride 步长

Feature Map

几个 Filter 几个 image

Max Pooling

Deep dream: Exaggerate

Deep style: 

 

[展开全文]

Fat + Short vs. Thin +Tall

Deep ==> Modularization

Why Deep? Training Data 不够

GMM

Univerality Therorem

Analogy

End-to-end Learning

 

[展开全文]

ReLU:

  • Leaky ReLU
  • Parametric ReLU

Maxout: 

ReLU is a special case of Maxout.

Learnable activation function

RMSProp:

Momentum:

RMSProp + Momentum ==> Adam

Regularization:

Dropout

 

[展开全文]

Backpropagation

to compute gradients efficiently

Chain Rule:

dz/dx = dz/dy × dy/dx

  • Forward pass
  • Backward pass

 

 

[展开全文]

Fully Connected Feedforward Network

Output Layer = Multi-class Classifier

Example

 

[展开全文]

Step 1: Function Set

Step 2: Goodness of a Function

Cross Entropy

Step 3: Find the best Function(Gradient Descent)

no squarre error

Discriminative 有时优于 Generative(几率模型:Naive Bayes)

Multi-class Classification

Softmax ==> 0<y<1

Limitation of Logistic Regression

 

[展开全文]

Classificaiton as Regression

Generative Model:

P(x) = 

Gaussian Distribution

Find Maximum Likelihood (mean*, covariance*)

All dimensions are independent ==> Naive Bayes Classifier

σ(z)=1/ (1+exp(-z))

[展开全文]

On-line vs Off-line:

Momentum

Adagrad

RMSProp

Adam

Real Application

 

 

[展开全文]

Adagrad

root mean square

g(gradient): 偏微分

best step: |First derivative| / Second derivative

Stochastic Gradient Descent

Feature Scaling

Taylor Series

 

[展开全文]

error 来源:bias 和 variance

mean: μ

variance: σ^2

s^2 是 σ^2的估测值

E[f*] = f^-: f* 的期望值

简单的模型 Variance 较小,简单的模型受数据波动影响小

复杂模型的 Bias 更小

Regularization ==> 使曲线变平滑6

 

Cross Validation

[展开全文]

x_i: features

input: x^n

output: y^^n

function: f_n

Loss function L(function 的 function): 

  • Input: a function
  • Output: how bad it is
  • L(f) = L(w, b)

Step3: Best Function

f* = arg min L(f)

w*, b* = arg min L(w, b)

Gradient Descent:

  • initial value w^0
  • dL/dw|w=w^0
  • 若 negative,增加 w
  • 若 positive,减小 w
  • η(learning rate): 参数更新的幅度 -η(dL/dw|w=w^0)
  • Local optimal: 局部最优
  • global optimal: 全局最优
  • 两个参数 w, b: 分别对 w, b 求偏微分
  • ▽L: gradient 梯度

convex 凸面的 adj.

引入更复杂的函数:

x_cp^2

Overfitting

Back to Step 1: Redesign

  • x_s = species of x
  • 不同物种,不同 w, b
  • δ(x_s = )
  • = 1, if x_s = Pidgey
  • = 0, otherwise

Back to Step 2: Rularization(调整)

不考虑 b 

select λ

[展开全文]

几何概率:与构成事件的面积体积 成比例;

几何概率特点:基本事件 的无限性(抽象)、等可能性;

古典概型特点:基本事件 的有限性(具象)、等可能性;

 

[展开全文]

同时调整多个参数,模型运行非常慢。更换数据预处理的方式。

[展开全文]

调参可以画学习曲线,或者进行网格搜索。模型调参,第一步找目标。

泛化误差:当模型在未知数据表现很差时,表明模型泛化能力不够。模型太简单和太复杂泛化误差都会很大。

偏差-方差困境。n_estimator增加,不影响单个模型的复杂度。调参方向:降低模型复杂度。

max_deph有增无减,模型复杂度增加。

当复杂度无法再降低时,就可以不用再tiaozhnegle

[展开全文]

[*矩阵]查看列的索引。需要Ytest所带的索引,

[展开全文]

使用随机森林填补缺失值。n个数据,特征T有缺失值,把特征T当作标签,作为训练集。遍历所有特征,缺失值最少的特征进行填补,因为一开始需要的缺失值最少。当进行到最后一行时,那么在弥补缺失值最多的数据时,就有足够多的准确数据了。

[展开全文]

随机森林填补获取数据集时的缺失值。

sklearn.impute.SimpleImputer轻松填补数据缺失值。

 

[展开全文]

随机森林的回归。

分类树与回归树,MSE均方误差。

回归树衡量指标mse、firedman_mse与MAE

sklearn使用负值的均方误差作为衡量指标,因为表示的是损失。

load_boston是一个标签连续型数据集。

regressor是模型

boston.data完整的矩阵、boston.target是标签。来回验证十次,scoring选择指标进行打分。

[展开全文]