@跃焱邵隼
跃焱邵隼
入门学习
本节总结了本书中涉及的有关线性代数、微分和概率的基础知识。为避免赘述本书未涉及的数学背景知识，本节中的少数定义稍有简化。 线性代数 下面分别概括了向量、矩阵、运算、范数、特征向量和特征值的概念。 向量 本书中的向量指的是列向量。一个$n$维向量$\boldsymbol{x}$的表达式可写成 $$\boldsymbol{x} = \begin{bmatrix} x{1} \ x{2} \ \vdot
本文向大家介绍Bootstrap基础学习，包括了Bootstrap基础学习的使用技巧和注意事项，需要的朋友参考一下 Bootstrap是一个基于栅格结构的前端结构框架（当然也有JS，JQuery）,它的优点是内容框架能够迅速搭建起来，基于媒介查询可以使搭建的页面迅速的适应不同的用户端，无论是手机，平板，还是PC,基本上都能自适应，当然新版本已经开始不支持IE6了，对IE8的支持也很有限，毕竟IE8
相关专题 《深度学习》整理 CNN 专题 RNN 专题 优化算法专题 随机梯度下降 动量算法 自适应学习率算法 基于二阶梯度的优化算法 《深度学习》 5.2 容量、过拟合和欠拟合 欠拟合指模型不能在训练集上获得足够低的训练误差； 过拟合指模型的训练误差与测试误差（泛化误差）之间差距过大； 反映在评价指标上，就是模型在训练集上表现良好，但是在测试集和新数据上表现一般（泛化能力差）； 降低过拟合风险的
偏差与方差 《机器学习》 2.5 偏差与方差 - 周志华 偏差与方差分别是用于衡量一个模型泛化误差的两个方面； 模型的偏差，指的是模型预测的期望值与真实值之间的差； 模型的方差，指的是模型预测的期望值与预测值之间的差平方和； 在监督学习中，模型的泛化误差可分解为偏差、方差与噪声之和。 偏差用于描述模型的拟合能力； 方差用于描述模型的稳定性。 导致偏差和方差的原因 偏差通常是由于我们对学习算法做了错
机器学习 概述 机器学习(Machine Learning,ML) 是使用计算机来彰显数据背后的真实含义，它为了把无序的数据转换成有用的信息。是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及
机器学习(Machine Learning,ML) 是使用计算机来彰显数据背后的真实含义，它为了把无序的数据转换成有用的信息。
主要内容：数学计算在TensorFlow中创建基本应用程序之前，了解TensorFlow所需的数学概念非常重要。数学是任何机器学习算法的核心。在数学核心概念的帮助下，定义了特定机器学习算法的解决方案。 向量 将数字数组(连续或离散)定义为向量。机器学习算法处理固定长度向量以产生更好的输出。 机器学习算法处理多维数据，因此向量起着至关重要的作用。 矢量模型的图形表示如下所示 - 标量 标量可以定义为一维向量。标量是那
现在网上已经有不少学习python的课程，其中也不乏精品。按理说，不缺少我这个基础类型的课程了。 但是，我注意到一个问题，不管是课程还是出版的书，大多数是面向已经有一定编程经验的人写的或者讲的，也就是对这些朋友来讲，python已经不是他们的第一门高级编程语言。据我所知，目前国内很多大学都是将C之类的做为学生的第一门语言。
