FPGA機器學習之stanford機器學習第一堂
主講:吳恩達。如果你學機器學習,對這個人牛,神的程度,不瞭解。你就可以洗洗睡了。必定全球人工智慧最權威專家中有他一個。
他說,機器學習是最重要的IT技能。這個是在矽谷那種地方。在中國,目前最火爆的是,網頁和安卓。不過大資料,網際網路,智慧機器人時代的到來,機器學習也會變的很重要。
如果自己程式設計去識別人手寫的文字,是很難,所以需要用機器學習的方法去完成。這裡還需要說明一個模式識別是怎麼回事,模式識別可以說是我們去分析事物的特徵,然後利用這個特徵,去分離事物。特徵需要我們自己去提取,比如說,直方圖特性,紋理特性等等。機器學習,更主要的是需要自己提取特徵,我們手寫的文字,不同的說話聲。都有自己的特徵,可是我們並不用知道,機器學習會自主識別特徵出來。這個就是這兩個學科之間的不同。不過現在好像已經都融合的差不多了,界限不明顯了。
他舉例:機器學習在不同行業的應用,什麼郵件(快遞),ebay,亞馬遜,醫療等。這些例子說明,將來機器學習在中國也會被應用的這些領域。(最近出手最大方的是百度)。從他的語言中可以看出,他在授課的時候,美國的汽車已經開始機器學習應用到汽車行業了。
他的那些實驗,也能說明機器學習在什麼地方有什麼樣的應用。
supervised learning 有監督學習。你必須知道你輸出的目標是什麼,什麼是正確,什麼是錯誤。舉例子:我丟進機器裡面的是水果,機器就給我榨汁出來。我丟進的是蔬菜就給我切成小塊出來。然後我就丟蘋果梨進去,告訴它這些是榨汁的。讓機器去學習。而這個是榨汁的,我要告訴它,這個就是有監督的。
unsupervised learning 無監督學習。無監督就是我也不知道輸出結果是什麼。舉例子:我弄了一大堆的資料,我也不知道有什麼規則,然後我就讓機器給我分成2類。結果它就把是整數的分在了一起,不是整數的分在了一起。讓機器自動找到資料中的規則。他上面的例子是聲音的分離。
很重要的一句話:重要的是怎麼把機器學習的知識用好。
我能力有限,但是我努力的學習,第一堂我就學會了這些。分享給各位。
相關推薦
FPGA機器學習之stanford機器學習第一堂
主講:吳恩達。如果你學機器學習,對這個人牛,神的程度,不瞭解。你就可以洗洗睡了。必定全球人工智慧最權威專家中有他一個。 他說,機器學習是最重要的IT技能。這個是在矽谷那種地方。在中國,目前最火爆的是,網頁和安卓。不過大資料,網際網路,智慧機
FPGA機器學習之stanford機器學習第十六堂
Reinforcement Learning 強化學習。這裡舉例子是自主飛行的飛機。控制飛機,如果自主寫程式的話,會很難,所以需要它自學習。 最好用的地方,就是下棋。不過,怎麼半監督學習演算
FPGA機器學習之stanford機器學習第四堂
這個是第一篇講義的20頁。
FPGA機器學習之stanford機器學習第二十堂
線性二次相關問題。選擇動作。 POMDP引數又多了2個。 o是觀察分佈。 隨機策略??? 狀態和行為的對映,π(s,a) 制定一個可能的行為分佈。 π,策略。 a1,a2是兩個行為,加速度。 1,兩個的內積。s是位置,theta引數。 2,目標,最大化預期回報
FPGA機器學習之stanford機器學習第十八堂
MDP的幾個參量。 這個就比較熟悉了。獎勵最大化函式。 獎勵函式改變,並不會有太多影響。 s狀態,a行為。獎勵機制。 1是當前回報,2未來總回報。 左邊的圈是加1,後邊的圈加10,下面是機器人 的行為,為什麼沒有向10方向,是因為沒有足夠的
FPGA機器學習之stanford機器學習第三堂2
我已經寫過一遍了,為了我的分享事業,我在寫一次吧。 上一次我寫到了,這裡加號後面的那個就是錯誤率。為什麼會引入這個,上一篇,我有寫清楚。 這裡,我們假定它符合高斯分佈。為什麼是高斯分佈,上一篇也寫了。 這裡引
FPGA機器學習之stanford機器學習第九堂
接下來他要講的內容是,如何使用好這些工具。 開始的時候說了一些過擬合,欠擬合線性。 為了方便理解,來一個簡化版機器學習模型。 被假設錯誤分類的訓練樣本數的和。 叫ERM 最小化。這個是最基本的
FPGA機器學習之stanford機器學習第十堂
誤差都為0. 這次用三點舉例子。也是可以完全分離的。 如果用這三個點的話。h就不可以分離了。 可是用4個點的話。h函式也不可以完全分離。 在二維空間裡面,任何線性分離器都不可以分割右上角四個點的情況。 根據這些情況可以得到一些結論。 如果要分離
機器學習之感知機學習筆記第一篇:求輸入空間R中任意一點X0到超平面S的距離
我的學習資料是“統計學習方法”,作者是李航老師,這本書很著名,百度有很多關於它的PDF。 作為學習筆記,就說明我還是屬於學習中,所以,這個分類中我暫時不打算討論詳細的演算法,這個分類會講到我在學習遇到的問題和我自己解決這些問題的思路。 今天這個問題(見題目)是在學習李航老師
機器學習之路--機器學習演算法一覽,應用建議與解決思路
作者:寒小陽 時間:2016年1月。 出處:http://www.lai18.com/content/2440126.html 宣告:版權所有,轉載請聯絡作者並註明出處 1.引言提起筆來寫這篇部落格,突然有點愧疚和尷尬。愧疚的是,工作雜事多,加之懶癌嚴重,導致這個系列一直沒有更新,向關注該系列的同學們
機器學習之優化演算法學習總結
優化演算法演化歷程 機器學習和深度學習中使用到的優化演算法的演化歷程如下: SGD –> Momentum –> Nesterov –> Adagrad –> Adadelta –> Adam –> Nadam 表1優化
Caffe學習之——虛擬機器下Ubuntu16.04 安裝caffe教程
轉載自:https://blog.csdn.net/c20081052/article/details/79775127安裝caffe的依賴項1)一般依賴項sudo apt-get install libprotobuf-dev libleveldb-dev libsnapp
機器學習之監督標題學習__線性分類
機器學習之監督標題學習__線性分類 一,logistic迴歸 (邏輯迴歸): 通過不斷修正縮小誤差最終得到準確的模型,整個過程中需要不斷迴歸,直到達到指定的次數或者達到設定的精度 二,sigsigmoid函式: 啟用函式sigmoid函式是一種階躍函式,輸出範圍在[0,1],在迴歸問題中
機器學習之決策樹——學習總結
決策樹學習總結 機器學習的應用越來越廣泛,特別是在資料分析領域。本文是我學習決策樹演算法的一些總結。 機器學習簡介 機器學習 (Machine Learning) 是近 20 多年興起的一門多領域交叉學科,涉及概率論、統計學、逼近論、凸分析、演
Python學習之虛擬機器環境
上週趕上兩次面試和清明節,一回家人就變懶了,錯過了文章更新時間,且修改了讀書筆記的篇數。慚愧慚愧啊。。。 序 之前開發編譯平臺二期,需要自己進行python整個執行環境的部署,特地跟著師傅從頭到尾學習了環境的搭建和維護,以前總覺得只要會設計、會程
openwrt學習之虛擬機器vm下編譯執行測試
之前成功編譯出來openwrt的img韌體,現在進一步學習,編譯一個基於x86cpu的映象,並用vm跑起來,自己學著先配置一下 1.更新openwrt ./scripts/feeds update -a 2.更新完成後,安裝需要的更新依賴包 /scripts/feeds
一、WCF學習之旅-創建第一個服務
img image pub 頁面 添加服務 ets art idt null WCF基本介紹:http://baike.baidu.com/link?url=TGjLYt3HS4dt4-hIiGRknLy6udRsZ52QxJz9cmRKlR4NXbP9rCZDsKn2fD
【itext學習之路】-------(第一篇)建立一個簡單的pdf文件
iText是著名的開放原始碼的站點sourceforge一個專案,是用於生成PDF文件的一個java類庫。通過iText不僅可以生成PDF或rtf的文件,而且可以將XML、Html檔案轉化為PDF檔案 本教程中,首先要說明的是,itext技術在網上很少能有一個相對全面文
前端學習之JQuery選擇器第一天
JQuery選擇器 一、為什麼要學jQuery? 1、學習JS的遇到的痛點 痛點的總結: 二、jQuery是什麼? 1、jQuery描述(理解) jQuery是js的一個庫,封裝了我們開發過程中常用的一些功能,方便我們來呼叫,提高了我們的開
python學習之函數學習進階
python學習之函數進階1.名稱空間 python有三種名稱空間 內置名稱空間: 隨著python解釋器的啟動而產生 print(sum) print(max) 全局名稱空間: 文件的執行會產生全局名稱空間,指的是文件級別的定義名字都會放入該空間 x = 11 if x == 11: print