ML学习基础+笔记 / 元旦快乐 【长期更新】

请注意,本文编写于 1914 天前,最后修改于 1402 天前,其中某些信息可能已经过时。

写在开头

这个博客于其说是博客。。不如说更像OneNote之类的东西了呀,下次弄个离线加个搜索就真的成Note了2333,或者哪天自己心情好写个客户端emm正好可以练手C#

而且大部分的博文,与其说是博文,不如说是手账比较好。毕竟基本都线性更新的。同时也因为博客的不相关性,导致我忘记了之前挖的好多坑。。。看来确实得改一改了。不过在这里之前,我想起了之前好多个文章里都有类似的挖坑宣言,但是似乎好像什么都忘了hhhhh。

不过说到底还是因为利益驱动不够。看来人不能太勤奋。太勤奋的后果就是能把一些好点子给咕了,只要不影响原有功能情况下基本都懒得动他hhhh,这到底是勤奋还是怠惰呢?还是说更新之后的效果和不更新的付出所得不成正比呢emmmm

好吧脑子有点乱,不说这些了。

高三过去了,因为艺考+高考双重打击,让我之前学的ML都忘得差不多了。现在才记起来,准备试着捡起来。我也不知道我能坚持多久,因为我这个专业木有高数。真希望去计算机相关的专业啊。

顺带说下元旦快乐。这也是期末考之前最后快乐的时光了。

期末考要背的东西好多emmm,专业考试倒是完全不方。主要就是讨厌背啊emmmmm。算了,咕咕咕,先研究一波ML先。

本期内容束博主才学浅陋的一点自我总结,如果是随手翻到此博客的朋友们请酌情观看或者阅读,因为没有认真里结果,所以可能会有一些或者许多错误,还望大家多多包涵/指正,感谢大家。

以下是纯概念性理解。

我的理解

监督性学习

首先是需要一定量的数据,用来“教”程序,之后使用不同的特征提取算法,用得出的结果去和那些教来的数据比对。

发现不对,利用梯度下降法,来微调W和basis,也就是跳权重。之后再去计算,和最后的数据去比对,这也就是跑了一次训练。

就这样一直跑下去,直到最后跑出来的数据无限接近于得出的数据。那么这个网络就训练成功了(?)

emmmm就这么简单吗?还是说我理解错了emmmm。

作用范围

两种,一种是用来预测,一种是用来分类。

比方说是f(y) = ax + bx +c ,运用第一种,就能算处无限接近于a,b还有c这几个参数。这样,也就可以预测出f(y)这个函数。

还有一种是,在一组向量空间中,分布着不同的区域,每个区域代表一个分类。

先假设f(y)已经训练完成。

把y当作特征输入,得出不同的结果,然后对比这个数据在向量空间的所处位置,得出一个所选分类。

大多数的数字识别基本都是这样子的。

其中的问题

听说梯度下降那边可能会有很多解法,但是我看书里好像说不能一直是全局最优解,否则会有啥问题来着的?这个记不清了

非监督性学习

这个真的忘了,待我学习一波。。。

线性相关,线性不相关,线性不可分

线性相关主要就是一个激励值(激励函数请看下面)相关问题。类似于Y随着X改变而改变,类似于一个一次函数。

线性不相关主要是因为资源问题而考虑,X和Y所代表的激励不可能无限大下去。会随着某些因素而导致速率变慢甚至停止。一般都是一些特殊的数学函数,常见的鄙俗sigmod等等。

线性不可分大体就是让你一层神经网络区分不了,那么再多套几层的意思咯。(?)

应该吧。等我复习到了的时候再说XD

误差反向传递

这个也忘了。。

激励函数

激励函数的作用就是,更具传入不同的东西,调整当前得到的权重。

比如你目的是区分美女,那么关于是否是妹子的特征被传到这层神经网络时候,会更具激励函数,来瞬间提高/降低所得出来的值并且传到下一层。

如果按照向量空间所代表的分布来看的话,可以想象你最后结果所在的位置,因为这个激励函数结果的暴增/减,而更靠近/远离美女所处的向量空间。

当然区分这些肯定不只一层解决的事。需要很多层的共同努力,比方说处理脸部的层呀,身材的层呀等等。。所以对于激励函数的选择就很重要啦。

哎好后悔书都在家里。

未完待续

添加新评论

已有 4 条评论

都已经玩起了机器学习了吗。。。这就是大佬呀 (逃

⑨BIE ⑨BIE 回复 @Otstar Lin

只是摸鱼而已呀_(:з」∠)_

2019!
新年快乐!
一起加油!

实在是看不懂QAQ,就祝你元旦快乐吧!