首页
学习
活动
专区
工具
TVP
发布

深度学习

专栏作者
74
文章
73216
阅读量
40
订阅数
关于深度学习优化器 optimizer 的选择
在很多机器学习和深度学习的应用中,我们发现用的最多的优化器是 Adam,为什么呢?
两只橙
2021-11-24
5120
深度学习性能提升的诀窍
性能提升的力度按上表的顺序从上到下依次递减。举个例子,新的建模方法或者更多的数据带来的效果提升往往好于调出最优的参数。但这并不是绝对的,只是大多数情况下如此。
两只橙
2021-11-24
2670
个性化推荐系统设计(2.1)推荐算法介绍
协同过滤算法 协同过滤(Collaborative filtering, CF)算法是目前个性化推荐系统比较流行的算法之一。 协同算法分为两个基本算法:基于用户的协同过滤(UserCF)和基于项目的协同过滤(ItemCF)。 📷 image 基于属性的推荐算法 基于用户标签的推荐 统计用户最常用的标签,对于每个标签,统计被打过这个标签次数最多的物品,然后将具有这些标签的最热门的物品推荐给这个用户。这个方法非常适合新用户或者数据很少的冷启动,目前许多的app都会在新用户最初进入时让用户添加喜好标签方便为用
两只橙
2021-11-24
1.1K0
第八章(1.1)总结与展望——AI 领域最稀缺的人才:人工智能架构师
这里,就不卖关子了。AI领域最最最最最稀缺的人才应该为人工智能架构师。有过4次技术创业经历,如今做AI投资的星瀚资本创始合伙人杨歌如是说。
两只橙
2019-02-25
4870
第一章(1.2) 机器学习算法工程师技能树
一、机器学习算法工程师需要掌握的技能 image 机器学习算法工程师需要掌握的技能包括 (1)基础数据结构与算法 树与相关算法 图与相关算法 哈希表与相关算法 矩阵与相关算法 (2)概率和统计基础 大
两只橙
2019-02-14
9790
第二章(1.6)Python基础知识(高阶函数)
定义一个函数要使用def语句,依次写出函数名、括号、括号中的参数和冒号:,然后,在缩进块中编写函数体,函数的返回值用return语句返回。
两只橙
2019-02-14
3650
第一章(1.3)机器学习概念图谱
机器学习(machine learning)是最近非常火的一个领域,关于其一些基本定义百度百科、维基百科或者网上随便都可以找到很多资料,所以这里不做过多解释。
两只橙
2019-02-14
4850
第六章(1.1)自然语言处理实战——TF-IDF算法原理
这里写图片描述 如果一个词越常见,那么分母就越大,逆文档频率就越小越接近0。分母之所以要加1,是为了避免分母为0(即所有文档都不包含该词)。log表示对得到的值取对数。
两只橙
2019-02-14
7790
第三章(1.6)tensorflow cross_entropy 四种交叉熵计算函数
以下交叉熵计算函数输入中的logits都不是softmax或sigmoid的输出,因为它在函数内部进行了sigmoid或softmax操作
两只橙
2019-02-14
1.4K0
第六章(1.3)自然语言处理实战——使用tf-idf算法实现简单的文本聚类
二、使用python实现简单的文本聚类,其中使用了tf-idf算法,jieba分词,把相似的文本聚合在一起
两只橙
2019-02-14
1K0
第二章(1.3)Python基础知识(输入输出)
Python提供了一个raw_inpu,可以让用户输入字符串,并存放到一个变量里。比如输入用户的名字:
两只橙
2019-01-25
4870
第一章(1.2) 机器学习算法工程师技能树
- 单机开发工具(numpy、sk-learn、pandas、libsvm、xgboost)
两只橙
2019-01-22
8110
如何使用TensorFlow生成对抗样本
如果说卷积神经网络是昔日影帝的话,那么生成对抗已然成为深度学习研究领域中一颗新晋的耀眼新星,它将彻底地改变我们认知世界的方式。对抗学习训练为指导人工智能完成复杂任务提供了一个全新的思路,生成对抗图片能够非常轻松的愚弄之前训练好的分类器,因此如何利用生成对抗图片提高系统的鲁棒性是一个很有研究的热点问题。 神经网络合成的对抗样本很容易让人大吃一惊,这是因为对输入进行小巧精心制作的扰动就可能导致神经网络以任意选择的方式对输入进行错误地分类。鉴于对抗样本转移到物质世界,可以使其变得非常强大,因此这是一个值得关注的
两只橙
2018-04-28
1.3K1
基于情感词典的文本情感分类
基于情感词典的文本情感分类 传统的基于情感词典的文本情感分类,是对人的记忆和判断思维的最简单的模拟,如上图。我们首先通过学习来记忆一些基本词汇,如否定词语有“不”,积极词语有“喜欢”、“爱”,消极词语
两只橙
2018-04-28
2.1K0
RF(随机森林)、GBDT、XGBoost算法简介
一、概念 RF、GBDT和XGBoost都属于集成学习(Ensemble Learning),集成学习的目的是通过结合多个基学习器的预测结果来改善单个学习器的泛化能力和鲁棒性。 二、关系 根据个体学习器的生成方式,目前的集成学习方法大致分为两大类:即个体学习器之间存在强依赖关系、必须串行生成的序列化方法,以及个体学习器间不存在强依赖关系、可同时生成的并行化方法;前者的代表就是Boosting,后者的代表是Bagging和“随机森林”(Random Forest) 三、RF 1.1 原理   提到随机森林,
两只橙
2018-04-28
2.1K0
没有更多了
社区活动
腾讯技术创作狂欢月
“码”上创作 21 天,分 10000 元奖品池!
Python精品学习库
代码在线跑,知识轻松学
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档