人工智慧之機器學習與深度學習-14

歸一化 •在各量綱不一而對比標準一致時，需要做歸一化。 •歸一化也有不同的方法，正確選擇方法對資料處理的有效性和精確性影響很大。   •有限區間的歸一化：   •無限區間的歸一化：   Python實現的歸一化 •import&n

人工智慧之機器學習與深度學習-4 術語辨析深度學習（葉梓老師）

術語辨析——深度學習 深度學習的原理 •深度學習：最初的深度學習是利用深度神經網路來解決特徵表達的一種學習過程。可大致理解為隱含層很多的一個神經網路結構。 •為了提高深層神經網路的訓練效果，人們對神經元的連線方法和啟用函式等方面做出相應的調整。 深度神經網路本身並不是一個全新的概念，其實

人工智慧之機器學習與深度學習-13

特徵提取與選擇 特徵 •特徵：反映資料分佈特點的關鍵資訊。 • •資料和特徵決定了機器學習的上限，而模型和演算法只是逼近這個上限而已。 • •特徵提取和特徵選擇都是從原始特徵中找出最有效的特徵。 •同類樣本的不變性 •不同樣本的鑑別性 •對噪聲的魯棒性 &nb

人工智慧之機器學習與深度學習-11機器學習實戰常見演算法示意

機器學習的常見演算法示意 決策樹、聚類、時間序列、樸素貝葉斯、SVM、關聯規則、神經網路、HMM、迴歸、遺傳演算法、K-NN、文字挖掘   機器學習的工具 lSPSS Clementine（modeler） lSAS Enterprise Miner

人工智慧之機器學習與深度學習-9機器學習的應用 葉梓老師

機器學習應用 •分類或預測趨勢：自動在大型資料庫中尋找預測性資訊，以往需要進行大量手工分析的問題現在可以直接由資料本身得出結論。 •發現事物之間的關係：資料關聯是一類重要的可被發現的知識。若兩個或多個變數的取值之間存在某種規律性，就稱為關聯。 •按特徵自動歸類：資料庫中的記錄可被劃分為一

葉梓老師開講0基礎學習人工智慧 人工智慧之機器學習與深度學習-6術語辨析——雲端計算

雲端計算：通俗的說，就是不用每家每戶弄一個發電機，而是集中建一個發電廠，每家只需要插上插頭就可以用電，根據用電的多少來計費。使用者不用關心發電廠建在哪裡、如何發電，也不用操心如何維護髮電廠本身的運轉和安全。 •雲端計算平臺一般是指涵蓋IT基礎設施、計算資源和平臺作業系統的服務整合體。 •雲平

葉梓老師開講0基礎學習人工智慧 人工智慧之機器學習與深度學習-6術語辨析——大資料

術語辨析——大資料     •大資料：大資料是一種從資料的採集、管理、分析、挖掘到提供服務，解決超量資料條件下行業問題的綜合能力。 •大資料是從資料生命週期這個維度來看的知識獲取過程，也是一種基於超量資料的思維方式。 •通常講大資料都會提到4個V，Volume

人工智慧之機器學習與深度學習-1（葉梓老師）

先來講一些概念：   術語辨析——資料探勘 •資料探勘：資料探勘是從資料中發掘知識的過程，在挖掘資料的過程中需要用到一些挖掘工具和方法。 •這些工具可以是基於資料庫的挖掘方法。資料探勘也可以用到機器學習的方法，比如各種分類模型（如：決策樹和SVM）、概率圖模型以及深度學習的

人工智慧，機器學習與深度學習，到底是什麼關係

一、人工智慧 人工智慧(Artificial Intelligence)，英文縮寫為AI。它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。 人工智慧是電腦科學的一個分支，它企圖瞭解智慧的實質，並生產出一種新的能以人類智慧相似的

科普：大資料、人工智慧、機器學習與深度學習都是什麼？有什麼關係？

人工智慧、機器學習與深度學習

參考書籍《白話大資料與機器學習》高揚等 人工智慧是一個較寬泛的概念，旨在通過計算機實現類似人類的智慧。 機器學習是解決人工智慧問題中的一個重要方法。 深度學習是機器學習的一個分支，它在很多領域突破了傳統機器學習的瓶頸，將人工智慧推向了一個新高潮。 卡內基梅隆大學的Tom

機器學習（四） 機器學習與深度學習的實際應用整理

前言     本文主要是整理備份機器學習與深度學習的實際應用，儘量給出原始作者網站，包括論文、程式碼和github等原始資料。共勉！ 實際應用 基於深度神經網路的免費開源的人臉識別系統 openface已經到了0.2.1了，備份一個基

機器學習與深度學習系列連載： 第二部分 深度學習(二）梯度下降

梯度下降 Gradient Decent 我們回憶深度學習“三板斧”， 選擇神經網路 定義神經網路的好壞 選擇最好的引數集合 其中步驟三，如何選擇神經網路的好壞呢？ 梯度下降是目前，最有效的方法之一。 方法：我們舉兩個引數的例子

深度學習基礎--傳統機器學習與深度學習的區別

傳統機器學習與深度學習的區別   1）傳統機器學習：利用特徵工程 (feature engineering)，人為對資料進行提煉清洗   2）深度學習：利用表示學習 (representation learning)，機器學習模型自身對資料進行提煉，不需要選擇特徵、壓縮維度、轉換格式等對

機器學習與深度學習系列連載： 第二部分 深度學習（十六）迴圈神經網路 4（BiDirectional RNN， Highway network， Grid-LSTM）

深度學習（十六）迴圈神經網路 4（BiDirectional RNN， Highway network， Grid-LSTM） RNN處理時間序列資料的時候，不僅可以正序，也可以正序+逆序（雙向）。下面顯示的RNN模型，不僅僅是simple RNN，可以是LSTM，或者GRU 1 B

機器學習與深度學習系列連載： 第二部分 深度學習（十五）迴圈神經網路 3（Gated RNN - GRU）

迴圈神經網路 3（Gated RNN - GRU） LSTM 是1997年就提出來的模型，為了簡化LSTM的複雜度，在2014年 Cho et al. 提出了 Gated Recurrent Units (GRU)。接下來，我們在LSTM的基礎上，介紹一下GRU。 主要思路是： •

機器學習與深度學習系列連載： 第二部分 深度學習（十四）迴圈神經網路 2（Gated RNN - LSTM ）

迴圈神經網路 2（Gated RNN - LSTM ） simple RNN 具有梯度消失或者梯度爆炸的特點，所以，在實際應用中，帶有門限的RNN模型變種（Gated RNN）起著至關重要的作用，下面我們來進行介紹： LSTM (Long Short-term Memory )

機器學習與深度學習系列連載： 第二部分 深度學習（十三）迴圈神經網路 1（Recurre Neural Network 基本概念 ）

迴圈神經網路 1（Recurre Neural Network 基本概念 ） 迴圈神經網路的特點： • RNNs 在每個時間點連線引數值，引數只有一份 • 神經網路出了輸入以外，還會建立在以前的“記憶”的基礎上 • 記憶體的要求與輸入的規模有關 當然，他的深度不只有一層：

機器學習與深度學習系列連載： 第二部分 深度學習（十二）卷積神經網路 3 經典的模型（LeNet-5，AlexNet ，VGGNet，GoogLeNet，ResNet）

卷積神經網路 3 經典的模型 經典的卷積神經網路模型是我們學習CNN的利器，不光是學習原理、架構、而且經典模型的超引數、引數，都是我們做遷移學習最好的源材料之一。 1. LeNet-5 [LeCun et al., 1998] 我們還是從CNN之父，LeCun大神在98年提出的模

機器學習與深度學習系列連載： 第二部分 深度學習（十一）卷積神經網路 2 Why CNN for Image？

卷積神經網路 2 Why CNN 為什麼處理圖片要用CNN？ 原因是： 一個神經元無法看到整張圖片 能夠聯絡到小的區域，並且引數更少 圖片壓縮畫素不改變圖片內容 1. CNN 的特點 卷積： 一些卷積核遠遠小於圖片大小； 同樣的pat