SIGAI学习与实践平台-腾讯云开发者社区

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

SIGAI学习与实践平台

专栏成员

281

文章

519467

阅读量

165

订阅数

机器学习数学知识结构图

机器学习神经网络人工智能编程算法深度学习

早在2018年和2019年，SIGAI微信公众号先后发布过“机器学习算法地图”，“深度学习算法地图”，对机器学习、深度学习的知识脉络进行了梳理与总结，帮助大家建立整体的知识结构。这两张知识结构图的纸质版发行量和电子版下载量已经超过10万，有不少高校的机器学习课程还特地讲到了这两张图。在今天这篇文章里，我们将对机器学习的数学知识进行总结，画出类似的结构图。由于数学知识体系太过庞大，因此我们分成了整体知识结构图，以及每门课的知识结构图。

SIGAI学习与实践平台

2021-03-04

1.2K0

机器学习中的目标函数总结

机器学习神经网络深度学习人工智能图像识别

几乎所有的机器学习算法都归结为求解最优化问题。有监督学习算法在训练时通过优化一个目标函数而得到模型，然后用模型进行预测。无监督学习算法通常通过优化一个目标函数完成数据降维或聚类。强化学习算法在训练时通过最大化奖励值得到策略函数，然后用策略函数确定每种状态下要执行的动作。多任务学习、半监督学习的核心步骤之一也是构造目标函数。一旦目标函数确定，剩下的是求解最优化问题，这在数学上通常有成熟的解决方案。因此目标函数的构造是机器学习中的中心任务。

SIGAI学习与实践平台

2021-01-05

1.3K0

《机器学习-原理、算法与应用》配套PPT第四部分（深度学习概论、自动编码器、强化学习、聚类算法、半监督学习等）

编程算法机器学习神经网络人工智能聚类算法

本文是SIGAI公众号文章作者雷明编写的《机器学习》课程新版PPT第四部分，包含了课程内容的深度学习概论，自动编码器，受限玻尔兹曼机，聚类算法1，聚类算法2，聚类算法3，半监督学习，强化学习的PPT，对算法进行了详尽的推导，并附以实验例子帮助大家更好的理解，旨在帮大家建立全面的认识，构建知识脉络。

SIGAI学习与实践平台

2020-11-23

9040

机器学习中的概率模型

编程算法机器学习深度学习人工智能神经网络

概率论，包括它的延伸-信息论，以及随机过程，在机器学习中有重要的作用。它们被广泛用于建立预测函数，目标函数，以及对算法进行理论分析。如果将机器学习算法的输入、输出数据看作随机变量，就可以用概率论的观点对问题进行建模，这是一种常见的思路。本文对机器学习领域种类繁多的概率模型做进行梳理和总结，帮助读者掌握这些算法的原理，培养用概率论作为工具对实际问题进行建模的思维。要顺利地阅读本文，需要具备概率论，信息论，随机过程的基础知识。

SIGAI学习与实践平台

2020-07-29

2.5K0

理解贝叶斯优化

serverless 编程算法机器学习神经网络深度学习

贝叶斯优化是一种黑盒优化算法，用于求解表达式未知的函数的极值问题。算法根据一组采样点处的函数值预测出任意点处函数值的概率分布，这通过高斯过程回归而实现。根据高斯过程回归的结果构造采集函数，用于衡量每一个点值得探索的程度，求解采集函数的极值从而确定下一个采样点。最后返回这组采样点的极值作为函数的极值。这种算法在机器学习中被用于AutoML算法，自动确定机器学习算法的超参数。某些NAS算法也使用了贝叶斯优化算法。

SIGAI学习与实践平台

2020-06-10

7.9K0

《机器学习-原理、算法与应用》配套PPT第三部分（人工神经网络、支持向量机、线性模型等7章）

编程算法机器学习深度学习神经网络人工智能

本文是SIGAI公众号文章作者雷明编写的《机器学习》课程新版PPT第三部分，包含了课程内容的人工神经网络、支持向量机、线性模型等18~24讲内容共7章的PPT，对算法进行了详尽的推导，并附以实验例子帮助大家更好的理解，旨在帮大家建立全面的认识，构建知识脉络。

SIGAI学习与实践平台

2020-04-08

7540

《机器学习-原理、算法与应用》配套PPT第二部分

机器学习神经网络人工智能编程算法深度学习

本文是SIGAI公众号文章作者雷明编写的《机器学习》课程新版PPT第二部分，包含了课程内容的数学、基本概念、线性回归、贝叶斯分类器、决策树、K近邻算法与距离度量学习、数据降维算法、线性判别分析、人工神经网络等7~17讲内容的PPT，是《机器学习-原理、算法与应用》一书的配套产品。《机器学习-原理算法与应用》一书被清华大学出版社评为2019年度畅销图书，感谢出版社和读者的大力支持！

SIGAI学习与实践平台

2020-03-19

1.1K0

《机器学习-原理、算法与应用》配套PPT

机器学习神经网络人工智能编程算法深度学习

本文是SIGAI公众号文章作者编写的《机器学习》课程新版PPT，是《机器学习-原理、算法与应用》一书的配套产品。《机器学习-原理算法与应用》一书被清华大学出版社评为2019年度畅销图书，感谢出版社和读者的大力支持！

SIGAI学习与实践平台

2020-03-06

2.9K1

机器学习快速入门

机器学习神经网络人工智能编程算法深度学习

本文是雷明老师应清华大学出版社邀请，1.5在珠海“第9届高等学校计算机程序设计课程论坛-智能时代下的程序设计”演讲的讲稿，旨在帮大家快速对机器学习建立直观的认识。《机器学习-原理算法与应用》一书被清华大学出版社评为2019年度畅销图书，感谢出版社和读者的大力支持！

SIGAI学习与实践平台

2020-02-14

6650

机器学习与深度学习习题集答案-1

编程算法线性回归机器学习神经网络深度学习

本文是机器学习和深度学习习题集的答案-1，免费提供给大家，也是《机器学习-原理、算法与应用》一书的配套产品。此习题集可用于高校的机器学习与深度学习教学，以及在职人员面试准备时使用。

SIGAI学习与实践平台

2020-01-02

2.7K0

理解策略梯度算法

编程算法神经网络强化学习

在之前的文章“深度强化学习综述（上）”中介绍了深度强化学习的原理，重点是DQN（深度Q网络）。基于值函数的算法是神经网络与时序差分算法如Q学习相结合的产品。其原理非常简单，神经网络的输入是原始的状态信息，如游戏画面，输出是在这种状态下执行各种动作的回报，即价值函数（Q函数）。训练完成之后，神经网络逼近的是最优Q函数

SIGAI学习与实践平台

2019-11-28

1.1K0

机器学习与深度学习习题集（中）

编程算法机器学习神经网络深度学习人工智能

这是《机器学习-原理、算法与应用》这是机器学习与深度学习习题的第二部分，为《机器学习-原理，算法与应用》一书编写，二者配合使用。习题集的绝大部分题目都可以在此书中找到答案。同时也可以用作高校相关专业的机器学习，深度学习课程习题集。后续我们将给出最后一部分，以及整个习题集的完整答案。

SIGAI学习与实践平台

2019-10-31

1.1K0

机器学习与深度学习习题集（上）

编程算法线性回归机器学习神经网络深度学习

本文是SIGAI公众号文章作者编写的机器学习和深度学习习题集（上），是《机器学习-原理、算法与应用》一书的配套产品。此习题集课用于高校的机器学习与深度学习教学，以及在职人员面试准备时使用。为了帮助高校更好的教学，我们将会对习题集进行扩充与优化，并免费提供给高校教师使用。对此感兴趣的在校教师和学生可以通过向SIGAI微信公众号发消息获取。习题集的下半部分、所有题目的答案将在后续的公众号文章中持续给出。

SIGAI学习与实践平台

2019-10-14

2.5K0

MLOD：基于鲁棒特征融合方法的多视点三维目标检测

图像处理 tcp/ip 图像识别神经网络日志服务

注：这是一篇2019年9月发表在arXiv【1】激光雷达和摄像头数据融合的目标检测论文。

SIGAI学习与实践平台

2019-10-10

1.1K0

理解支持向量机

编程算法机器学习神经网络深度学习

支持向量机是机器学习中最不易理解的算法之一，它对数学有较高的要求。之前SIGAI微信公众号已经发过“用一张图理解SVM脉络”，“理解SVM的核函数和参数”这两篇文章，今天重启此话题，对SVM的推导做一个清晰而透彻的介绍，帮助大家真正理解SVM，掌握其精髓。市面上有不少讲解支持向量机的文章和书籍，但真正结构清晰、触达精髓的讲解非常少见。

SIGAI学习与实践平台

2019-10-08

6970

机器学习与深度学习中的数学知识点汇总

机器学习神经网络人工智能编程算法深度学习

在机器学习与深度学习中需要大量使用数学知识，这是给很多初学带来困难的主要原因之一。此前SIGAI的公众号已经写过“学好机器学习需要哪些数学知识”的文章，由于时间仓促，还不够完整。今天重新整理了机器学习与深度学习中的主要知识点，做到精准覆盖，内容最小化，以减轻学习的负担同时又保证学习的效果。这些知识点是笔者长期摸索总结出来的，相信弄懂了这些数学知识，数学将不再成为你学好机器学习和深度学习的障碍。

SIGAI学习与实践平台

2019-09-11

1.2K0

理解变分自动编码器

编程算法神经网络

今天的文章用深入浅出的语言和形式为大家介绍变分自动编码器（VAE）的基本原理，以帮助初学者入门，真正理解这一较为晦涩的模型。还是那种熟悉的风格和味道！读懂本文需要读者理解KL散度包括正态分布之间的KL散度计算公式、KL散度的非负性（涉及到变分法的基本概念），蒙特卡洛算法等基本知识，自动编码的知识。

SIGAI学习与实践平台

2019-09-03

1.6K0

理解计算:从根号2到AlphaGo第8季深度学习发展简史

卷积神经网络神经网络深度学习机器学习人工智能

在本系列的2，3，4季中，我们分别介绍了神经网络的生物学背景，最早的关于神经元的数学模型，以及具有学习功能的感知机。我们现在已经知道，如何学习神经网络的参数是最为关键的问题，这个问题从宏观上看实际上跟求解2的平方根并没有本质不同，即需要一个迭代过程(梯度下降)不断更新模型的参数。在一个著名的Adaline模型(第4季)的基础上，我们首次看到了激活函数、代价函数，梯度(导数)这些概念在求解模型参数中的核心作用，梯度下降法首次被运用到神经元模型中。接下来的第5季则专门介绍了导数的概念以及求解方法。逆向求导由于其极高的性能，看起来极具吸引力。从现在的眼光来看，在上个世纪80年代的时候，所有的基础几乎已经准备妥当，只是在等一个适当的机会，一些零星的在当时并不那么惹眼的研究，逐渐将神经网络以一种更加高大上外表包裹起来，深度学习开始了它的统治时代。本主要介绍从神经网络到深度学习发展过程中的几个重要的模型及其人物的简单历史，希望能帮助大家宏观上了解深度学习发展的基本脉络。

SIGAI学习与实践平台

2019-08-29

6520

激光雷达深度补全

深度学习神经网络卷积神经网络

对于自动驾驶汽车和机器人，使用激光雷达是必不可少的，以实现精确的深度预测。许多应用程序依赖于周围环境的意识，并使用深度信息来推理和做出相应的反应。一方面，单目深度预测方法无法生成绝对和精确的深度图。另一方面，双目立体匹配方法仍然明显优于基于LiDAR的方法。深度补全任务的目标是从稀疏和不规则点云生成密集的深度预测，然后将预测的深度信息映射到2D平面。最近有一些优秀的工作，提出了一种精确完成RGB图像引导的稀疏LiDAR图的新方法。

SIGAI学习与实践平台

2019-08-26

1.6K0

基于点云 / RGBD的3D视觉检测技术

图像处理机器学习神经网络深度学习人工智能

3D视觉技术相较于2D视觉能获取更丰富更全面的环境信息,已经成为机器人导航、无人驾驶、增强/虚拟现实、工业检测等领域的关键技术.当前基于2D的的计算机视觉技术日趋成熟,在很多领域取得了很不错的进展,但我们真实的世界是三维空间,利用2D的技术对真实世界进行建模存在先天的缺陷——深度信息缺失,我们不能从2D图片中获得物体的绝对尺度和位置,而这一点在点云中不会存在问题.“从单幅图像到双目视觉的3D目标检测算法”介绍了基于单目(monocular)视觉以及双目(binocular)视觉的3D目标检测算法,单目做3D检测完全是数据驱动,通过机器学习模型结合摄影几何的约束去拟合3D空间的数据分布;双目视觉会有额外的视差信息,可以重建出景深信息,所以可以得到比单目视觉更强的空间约束关系,在3D目标检测任务重的精度相比单目会更好.

SIGAI学习与实践平台

2019-08-22

2.7K0

点击加载更多

社区活动

【纪录片】中国数据库前世今生

穿越半个世纪，探寻中国数据库50年的发展历程

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