内容选择
全部
内容选择
内容分类
  • 学堂
  • 博客
  • 论坛
  • 开发服务
  • 开发工具
  • 直播
  • 视频
  • 用户
时间
  • 一周
  • 一个月
  • 三个月
  • 什么是深度学习

    同的特征置于哪一层。也就是说,相比于传统机器学习算法需要提供人工定义的特征,深度学习可以自己学习如何提取特征。因此,相比于传统的机器学习算法,深度学习并不依赖复杂且耗时的手动特征工程。深度学习中的“深度”体现在将数据转换为所需要数据的层数之深。给定模型进行数据输入,可以将描述模型

    作者: 角动量
    1546
    5
  • 深度学习之流形学习

    成的一组流形中,而学习函数中感兴趣输出的变动只位于流形中的方向,或者感兴趣的变动只发生在我们从一个流形移动到另一个流形的时候。流形学习是在连续数值数据和无监督学习的设定下被引入的,尽管这个概率集中的想法也能够泛化到离散数据和监督学习的设定下:关键假设仍然是概率质量高度集中。

    作者: 小强鼓掌
    1676
    3
  • 深度学习深度学习界以外的微分

    深度学习界在某种程度上已经与更广泛的计算机科学界隔离开来,并且在很大程度上发展了自己关于如何进行微分的文化态度。更一般地,自动微分(automatic differentiation)领域关心如何以算法方式计算导数。这里描述的反向传播算法只是自动微分的一种方法。它是一种称为反向模式累加(reverse

    作者: 小强鼓掌
    438
    0
  • 深度学习之流形学习

    成的一组流形中,而学习函数中感兴趣输出的变动只位于流形中的方向,或者感兴趣的变动只发生在我们从一个流形移动到另一个流形的时候。流形学习是在连续数值数据和无监督学习的设定下被引入的,尽管这个概率集中的想法也能够泛化到离散数据和监督学习的设定下:关键假设仍然是概率质量高度集中。

    作者: 小强鼓掌
    1053
    2
  • 深度学习之流形学习

    成的一组流形中,而学习函数中感兴趣输出的变动只位于流形中的方向,或者感兴趣的变动只发生在我们从一个流形移动到另一个流形的时候。流形学习是在连续数值数据和无监督学习的设定下被引入的,尽管这个概率集中的想法也能够泛化到离散数据和监督学习的设定下:关键假设仍然是概率质量高度集中。数据位

    作者: 小强鼓掌
    811
    1
  • 机器学习深度学习

    业也在快速布局。2、所需数据量机器学习能够适应各种数据量,特别是数据量较小的场景。如果数据量迅速增加,那么深度学习的效果将更加突出,这是因为深度学习算法需要大量数据才能完美理解。3、执行时间执行时间是指训练算法所需要的时间量。一般来说,深度学习算法需要大量时间进行训练。这是因为该

    作者: QGS
    678
    2
  • 机器学习以及深度学习

    所谓“ 机器学习” , 是指利用算法使计算机能够像人一样从数据中挖掘出信息; 而“ 深度学习”作为“机器学习”的一个**子集**, 相比其他学习方法, 使用了更多的参数、模型也更复杂, 从而使得模型对数据的理解更加深人, 也更加智能。 传统机器学习是分步骤来进行的, 每一步的最优解不一定带来结果的最优解;

    作者: 黄生
    347
    1
  • 机器学习深度学习

    有趣的是,二十一世纪初,连接主义学习又卷上重来,掀起了以 “深度学习”为名的热潮.所谓深度学习,狭义地说就是 “很多层 " 的神经网络.在若干测试和竞赛上,尤其是涉及语音、 图像等复杂对象的应用中,深度学习技术取得了优越性能以往机器学习技术在应用中要取得好性能,对使用者的要求较高;而深度学习技术涉及的模型复杂度非常高,以至千只要下工夫

    作者: ypr189
    730
    1
  • 深度学习应用开发学习

    件不仅展示了人工智能的演进,也体现了其在系统性思维上的挑战。在机器学习领域,我学习了有监督学习、无监督学习、半监督学习和强化学习等概念。特别是强化学习,它通过奖励和惩罚机制进行学习,非常适合棋类游戏。而无监督学习中的聚类算法,让我意识到它在日常生活中的广泛应用,比如超市货架的商品

    作者: 黄生
    22
    0
  • 浅谈深度学习

    前言当今计算机科技领域中,深度学习是最具有影响力的技术之一。这篇文章将介绍深度学习是什么,它的应用领域,以及为什么它如此重要。简介深度学习是一种机器学习技术,它使用大量人工神经网络来模拟人类大脑的工作方式。这些神经网络可以自动从数据中学习模式,并根据这些模式进行预测和分类。深度学习技术已经在多

    作者: 运气男孩
    23
    3
  • 深度学习前景

    为众所周知的“深度学习’’。这个领域已经更换了很多名称,它反映了不同的研究人员和不同观点的影响。全面地讲述深度学习的历史超出了本书的范围。然而,一些基本的背景对理解深度学习是有用的。一般来说,目前为止深度学习已经经历了三次发展浪潮:20世纪40年代到60年代深度学习的雏形出现在控

    作者: G-washington
    1664
    1
  • 深度学习概念

    深度学习概念 深度学习(Deep Learning, DL)由Hinton等人于2006年提出,是机器学习(MachineLearning, ML)的一个新领域。 深度学习被引入机器学习使其更接近于最初的目标----人工智能(AI,Artificial Intelligence)

    作者: QGS
    973
    3
  • 浅谈深度学习

    首先要明白什么是深度学习深度学习是用于建立、模拟人脑进行分析学习的神经网络,并模仿人脑的机制来解释数据的一种机器学习技术。它的基本特点是试图模仿大脑的神经元之间传递,处理信息的模式。最显著的应用是计算机视觉和自然语言处理(NLP)领域。显然,“深度学习”是与机器学习中的“神经网络

    作者: 运气男孩
    1268
    3
  • 浅谈深度学习

    学习方法——深度前馈网络、卷积神经网络、循环神经网络等;无监督学习方法——深度信念网、深度玻尔兹曼机,深度自编码器等。深度学习的思想:深度神经网络的基本思想是通过构建多层网络,对目标进行多层表示,以期通过多层的高层次特征来表示数据的抽象语义信息,获得更好的特征鲁棒性。深度学习应用

    作者: QGS
    38
    2
  • 深度学习之推断

    rence)。目前为止,我们在介绍Bagging和Dropout时没有要求模型具有明确的概率。现在,我们假定该模型的作用是输出一个概率分布。在Bagging的情况下,每个模型 i 产生一个概率分布 p(i)(y | x)。集成的预测由这些分布的算术平均值给出。

    作者: 小强鼓掌
    426
    4
  • 深度学习简介

    信息进一步优化神经网络权值的深度置信网络(DBN)。 通过多层处理,逐渐将初始的“低层”特征表示转化为“高层”特征表示后,用“简单模型”即可完成复杂的分类等学习任务。由此可将深度学习理解为进行“特征学习”(feature learning)或“表示学习”(representation

    作者: 某地瓜
    1681
    1
  • 认识深度学习

    什么是深度学习 要理解什么是深度学习,人们首先需要理解它是更广泛的人工智能领域的一部分。简而言之,人工智能涉及教计算机思考人类的思维方式,其中包括各种不同的应用,例如计算机视觉、自然语言处理和机器学习。 机器学习是人工智能的一个子集,它使计算机在没有明确编程的情况下能够更好地完成

    作者: 建赟
    1845
    2
  • 什么是深度学习

    深度学习是支撑人工智能发展的核心技术,云服务则是深度学习的主要业务模式之一。OMAI深度学习平台(以下简称OMAI平台)即是在上述前提下诞生的平台软件。OMAI深度学习平台是具备深度学习算法开发、模型训练、推理服务等能力的一站式平台软件。OMAI平台以支持高性能计算技术和大规模分

    作者: OMAI
    6640
    0
  • 深度学习导论

    Network)的扩展和应用为基础,这次浪潮的出现标志着深度学习时代的来临。这一阶段的研究主要集中在如何提高深度神经网络的性能和泛化能力上。SVM作为一种经典的机器学习算法,在分类问题上表现出了良好的性能。随着深度学习的不断发展,其应用领域也在不断扩大。深度学习已经成为了许多领域的重要工具,例如自然

    作者: 林欣
    41
    1
  • 深度学习学习

    1%。主要问题是如何设置 ϵ0。若 ϵ0 太大,学习曲线将会剧烈振荡,代价函数值通常会明显增加。温和的振荡是良好的,容易在训练随机代价函数(例如使用 Dropout 的代价函数)时出现。如果学习率太小,那么学习过程会很缓慢。如果初始学习率太低,那么学习可能会卡在一个相当高的代价值。通常,就

    作者: 小强鼓掌
    452
    2