ysyouaremyall
ysyouaremyall_个人页
ysyouaremyall
文章
66
问答
0
视频
0
个人介绍
关注人工智能与各学科的交叉发展
擅长的技术
-
发表了文章 2018-07-16
经典算法详解（11）递归查找数组中的最大值
题目：编写一个程序，用递归的方法实现查找数组中的最大值。 C++实现 1 #include 2 3 using namespace std; 4 //第一种方法是常规方法，不是使用递归，首先将第一个元素的值赋值给max,然后遍历数组， 5 //当遇到超高max的值时将其赋值给max，最...
-
发表了文章 2018-07-15
吴恩达《深度学习》第四门课（1）卷积神经网络
1.1计算机视觉 （1）计算机视觉的应用包括图像分类、目标检测、图像分割、风格迁移等，下图展示了风格迁移案例： （2）图像的特征量非常之大，比如一个3通道的1000*1000的照片，其特征为3*1000*1000达到300万，如果第一个隐藏层有1000个单元那么W[1]有20亿个参数，计算量不仅大，而且由于图像样本相对于特征实在是太少，导致很容易过拟合，所以需要其他的方式来连接，即卷积。
-
发表了文章 2018-07-15
经典算法详解（10）图中有多少个三角形
题目：请说出下面图形中包含多少个三角形？请用一个程序完成计算。 C++版本 1 #include 2 3 using namespace std; 4 5 const char NO_POINT = '0'; 6 7 //任意的一条线 8 const char *map[]...
-
发表了文章 2018-07-14
吴恩达《深度学习》第三门课（1）机器学习策略一
1.1为什么是ML策略 （1）当对一个实际的应用系统进行优化时，可能有很多想法：如提高数据量，提高网络深度，正则化等等，一个错误的选择可能浪费非常多的时间，本课就是让你在面对很多选择时做出正确的选择，这就是ML策略。
-
发表了文章 2018-07-14
吴恩达《深度学习》第二门课（3）超参数调试、Batch正则化和程序框架
3.1调试处理 （1）不同超参数调试的优先级是不一样的，如下图中的一些超参数，首先最重要的应该是学习率α（红色圈出），然后是Momentum算法的β、隐藏层单元数、mini-batch size（黄色圈出）、再之后是Layer、learning rate decay（紫色圈出）、最后是Adam算法中的β1、β2、ε。
-
发表了文章 2018-07-13
经典算法详解（9）寻找丑数
题目：我们把只含有因子2、3、5的数称为丑数。例如6、8都是丑数，而14不是丑数，因为它含有因子7.通常也把1当做丑数。编程找出1500以内的全部丑数。注意：使用的算法效率应尽量高。 C++实现： 1 #include 2 3 using namespace std; 4 5 //判...
-
发表了文章 2018-07-13
经典算法详解（8）数的分组
题目：有10个任意的正整数，将其分为两组A和B，要求组A中每个数据的和与组B中每个数据的和之差的绝对值最小。请设计算法实现数的分组（找出一个答案即可）。 C++版本： 1 #include 2 3 using namespace std; 4 5 void get_groupAB(i...
-
发表了文章 2018-07-11
吴恩达《深度学习》第二门课（2）优化算法
2.1Mini-batch梯度下降 （1）例如有500万个训练样本，这时可以每1000个组成一个Mini-batch,共用5000个Mini-batch。主要是为了加快训练。 （2）循环完所有的训练样本称为（1 epoch）。
-
发表了文章 2018-07-11
经典算法详解（7）丢番图的墓志铭
丢番图的一生1/6是童年，青少年时代占了他一生的1/12，随后1/7他说过着独身的生活，结婚后5年他生了一个儿子，他感到很幸福，可是这孩子的生命只有他父亲的一半，儿子去世后，丢番图就在深深痛苦中活了4年，结束了生命，请问丢番图活了多少岁?丢番图的一生1/6是童年，青少年时代占了他一生的1/12，随后...
-
发表了文章 2018-07-10
吴恩达《深度学习》第二门课（1）深度学习的实用层面
1.1训练，验证，测试集（Train/Dev/Test sets） （1）深度学习是一个按照下图进行循环的快速迭代的过程，往往需要多次才能为应用程序找到一个称心的神经网络。 （2）在机器学习中，通常将样本分成训练集，验证集和测试集三部分，数据规模相对较小，适合传统的划分比例（如6:2:2），数据集规模比较大的，验证集和测试集要小于数据总量的20%或者10%甚至更低。
-
发表了文章 2018-07-10
经典算法详解（6）渔夫捕鱼
A、B、C、D、E5个渔夫夜间合伙捕鱼，各自在河边的树丛中休息。待日上三竿，渔夫A第一个醒来，他将鱼分作5份，把多余的一条扔回河中，拿自己的一份回家了。渔夫B第二个醒来，也将鱼分作5份，扔掉多余的一条，拿走自己的一份，接着后三个也按同样的办法分鱼，问5个渔夫至少合伙捕了多少条鱼。
-
发表了文章 2018-07-09
吴恩达《深度学习》第一门课（4）深层神经网络
4.1深层神经网络 （1）到底是深层还是浅层是一个相对的概念，不必太纠结，以下是一个四层的深度神经网络： （2）一些符号定义： a[0]=x（输入层也叫做第0层） L=4：表示网络的层数 g:表示激活函数 第l层输出用a[l]，最终的输出用a[L]表示 n[1]=5:表示第一层有五个神经元，第l层神经元个数用n[l]表示 4.
-
发表了文章 2018-07-09
吴恩达《深度学习》第一门课（3）浅层神经网络
3.1神经网络概述 （1）神经网络每个单元相当于一个逻辑回归，神经网络由逻辑回归的堆叠起来。下图是网络结构： 针对网络结构进行计算： 1.第一层的正向传播 2.第一层的反向传播 3.第二层的反向传播（正向只要把微分符号去掉即可） 3.
-
发表了文章 2018-07-08
吴恩达《深度学习》第一门课（2）神经网络的编程基础
2.1二分类 （1）以一张三通道的64×64的图片做二分类识别是否是毛，输出y为1时认为是猫，为0时认为不是猫： y输出是一个数，x输入是64*64*3=12288的向量。 （2）以下是一些符号定义（数据集变成矩阵之后进行矩阵运算代替循环运算，更加高效） x：表示一个nx维数据，维度为（nx,1）...
-
发表了文章 2018-07-08
吴恩达《深度学习》第一门课（1）深度学习引言
1.1欢迎 主要讲了五门课的内容： 第一门课：神经网络基础，构建网络等； 第二门课：神经网络的训练技巧； 第三门课：构建机器学习系统的一些策略，下一步该怎么走（吴恩达老师新书《Machine Learning Yearning》就是针对这个以及上一课）； 第四门课：卷积神经网络相关； 第五门课：循环神经网络相关。
-
发表了文章 2018-07-07
吴恩达《机器学习》课程总结（19）总结
(1)涉及到的算法 1.监督学习：线性回归，逻辑回归，神经网络，SVM。 线性回归（下面第三行x0(i)其实是1，可以去掉） 逻辑回归 神经网络（写出前向传播即可，反向框架会自动计算） SVM 2.非监督学习：聚类算法(K-mean),降维(PCA) K-mean PCA 3.异常检测 4.推荐系统 (2)策略 1.偏差与方差，正则化 训练误差减去人类最高水平为偏差(欠拟合)，交叉验证集误差减训练误差为方差(过拟合)； 正则化解决方差问题，不对θ0正则化； 2.学习曲线 全过程观测偏差与方差，所以更全面。
-
发表了文章 2018-07-07
吴恩达《机器学习》课程总结（16）推荐系统
16.1问题形式化 (1)讲推荐系统的原因主要有以下几点: 1.推荐系统是一个很重要的机器学习的应用，虽然在学术界上占比较低，但是在商业应用中非常的重要，占有很高的优先级。 2.传达机器学习的一个大思想：特性是可以学习而来的，不需要人工去选择。
-
发表了文章 2018-07-06
吴恩达《机器学习》课程总结（15）异常检测
15.1问题的动机 将正常的样本绘制成图表（假设可以），如下图所示： 当新的测试样本同样绘制到图标上，如果偏离中心越远说明越可能不正常，使用某个可能性阈值，当低于正常可能性阈值时判断其为异常，然后做进一步的检查。
-
发表了文章 2018-07-04
吴恩达《机器学习》课程总结（18）应用实例：图片文字识别
18.1问题描述和流程图 （1）图像文字识别是从给定的一张图片中识别文字。 （2）流程包括： 1.文字侦测 2.字符切分（现在不需要切分了） 3.字符分类 18.2滑动窗口 在行人检测中，滑动窗口是首先训练一个固定尺寸输入的判断是否有行人的网络，然后在一张图片中裁该尺寸的图片，送入到网络中；然后不断移动裁剪区，重复以上过程，知道裁剪到最后，这时按比例放大裁剪区，然后将裁剪到的图片缩放到网络的输入，如此循环。
-
发表了文章 2018-07-04
吴恩达《机器学习》课程总结（14）降维
14.1动机一：数据压缩 将特征进行降维，如将相关的二维降到一维： 三维变二维： 以此类推把1000维数据降成100维数据。 14.2动机二：数据可视化 如50个维度的数据是无法进行可视化的，使用降维的方法可以使其降到2维，然后进行可视化。
-
发表了文章 2018-07-03
吴恩达《机器学习》课程总结（13）聚类
13.1无监督学习：简介 将没有标签的样本分成不同的集合（簇），这种算法叫做聚类。常用的领域有市场分割、社交网络分析、计算机集群管理、了解星系等。 13.2K-均值算法 （1）K-均值是最普及的聚类算法，是一种迭代算法，假设需要将数据聚类成n个组，这时候首先随机选择K个点，称为聚类中心。
-
发表了文章 2018-07-03
吴恩达《机器学习》课程总结（12）支持向量机
12.1目标优化 （1）以下是逻辑回归以及单个样本的代价函数 （2）首先将使用上图中紫色的线（称为cost1或者cost0）的代替曲线，然后将样本数m去掉，最后将C代替1/λ（可以这么理解，但不完全是），从而实现逻辑回归的代价函数到SVM的转换。
-
发表了文章 2018-07-03
吴恩达《机器学习》课程总结（11）机器学习系统的设计
11.1首先要做什么 本章将在随后的课程中讲误差分析，然后怎样用一个更加系统性非方法，从一堆不同的方法中，选取合适的那一个。 11.2误差分析 构建一个学习算法的推荐方法为： （1）从一个简单的能快速实现的算法开始，实现该算法并用交叉验证集数据测试这个算法； （2）绘制学习曲线，决定是增加更多数据，或者添加更多特征，还是其他选择； （3）进行误差分析：人工检查交叉验证集中我们算法中产生预测误差的实例，看看这些实例是否有某种系统化的趋势。
-
发表了文章 2018-07-03
吴恩达《机器学习》课程总结（10）应用机器学习的建议
10.1决定下一步该干什么 当系统的效果很差时，你可能考虑到收集更多的样本，也可能： （1）尝试减少特征的数量； （2）尝试获得更多的特征； （3）尝试增加多项式特征； （4）尝试减少正则化程度λ； （5）尝试增加正则化程度λ。
-
发表了文章 2018-07-02
吴恩达《机器学习》课程总结（9）神经网络的学习
9.1代价函数 （1）假设神经网络的训练样本有m个，每一个包含一组输入x和一组输出信号y，L表示神经网络的层数，Sl表示每一层的神经元个数，SL代表最后一层中处理单元的个数。 则代价函数为（同样不对θ0正则化）： 9.2反向传播算法 前向传播算法： 用δ表示误差，则δ（4）=a(4)-y 前一层的误差为： 再前一层的误差为： 。
-
发表了文章 2018-07-01
吴恩达《机器学习》课程总结（8）神经网络表述
8.1非线性假设 （1）无论线性回归还是逻辑回归当特征量太多时，计算的负荷会非常大。如50x50像素有2500特征，如果两两组合将会有25002/2个（接近300万个特征）。普通的线性回归和逻辑回归模型不能有效处理这么多特征，这时候需要用神经网络了。
-
发表了文章 2018-07-01
吴恩达《机器学习》课程总结（7）正则化
7.1过拟合的问题 训练集表现良好，测试集表现差。鲁棒性差。以下是两个例子（一个是回归问题，一个是分类问题） 解决办法： （1）丢弃一些不能帮助我们正确预测的特征。可以使用工选择保留哪些特征，或者使用一些模型选择的算法来帮忙（PCA）； （2）正则化。
-
发表了文章 2018-07-01
吴恩达《机器学习》课程总结（6）逻辑回归
6.1分类问题 回归问题的输出可能是很大的数，而在分类问题中，比如二分类，希望输出的值是0或1，如何将回归输出的值转换成分类的输出0,1成为关键。 6.2假说表示 其中： hθ（x）的作用是，对于给定的输入变量，根据选择的参数计算输出变量=1的可能性即hθ（x）=P(y=1|x;θ)。
-
发表了文章 2018-07-01
吴恩达《机器学习》课程总结（5）Octave教程
推荐使用python,本节略。
-
发表了文章 2018-07-01
吴恩达《机器学习》课程总结（4）多变量线性回归
4.1多维特征 上图中列数即为特征的个数，行数是样本数。函数假设如下： 其中x0=1。 4.2多变量梯度下降 和单变量的损失函数相同： 其中， 求导迭代如下： 4.3梯度下降法实践1-特征缩放 特征之间的尺度变化相差很大（如一个是0-1000，一个是0-5），梯度算法需要非常多次的迭代才能收敛，如下图所示： 方法：将各个特征缩放至大致相同的尺度，最简单的方法就是特征减去均值除以方差。
-
发表了文章 2018-06-25
吴恩达《机器学习》课程总结（3）线性代数回顾
3.1矩阵和向量 几行几列即为矩阵。Ａij表示第i行第j列。 只有一行或者一列的称为向量，向量是一种特殊矩阵。一般向量指的是列向量。 3.2加法和标量乘法 加法：元素对应相加。 标量乘法：标量和矩阵每一个元素相乘。
-
发表了文章 2018-06-25
吴恩达《机器学习》课程总结（2）单变量线性回归
2.1模型表示 （１）监督学习中的回归问题案例房价预测 （２）监督算法的工作方式 案例中：ｍ表示训练集的数量，ｘ代表特征/输入变量，ｙ代表目标变量/输出变量，（ｘ,y）代表实例，（ｘ(i),y(i)）代表第ｉ个观察实例，ｈ代表假设/函数/输入到输出的映射。
-
发表了文章 2018-06-25
吴恩达《机器学习》课程总结（1）引言
1.1欢迎 1.2机器学习是什么 （1）一种机器学习的定义：一个程序被认为能从经验E中学习，解决任务T，达到性能指标度量值P，当且仅当，有了经验E后，经过P评判，程序在处理T时的性能有所提升。 （2）机器学习算法主要分为监督学习和非监督学习。
-
发表了文章 2018-06-20
CTPN_论文阅读总结
论文全名：Detecting Text in Natural Image with Connectionist Text Proposal Network 1.摘要 （1）本文提出新型网络CTPN，用于自然图像中的文本行定位。
-
发表了文章 2018-06-20
指针和引用（5）函数指针
1.知识点 （1）指针可以指向任何类型，也可以指向函数。每个函数在内存中都占用一段存储单元，这段存储单元的首地址称为函数的入口地址，指向之歌函数入口地址的指针称为函数指针。 （2）函数基本用法如下： 1 int max(int a, int b) { 2 return a > b ? a ...
-
发表了文章 2018-06-19
指针和引用（4）指向指针的指针
1.知识点 （1）在程序中可以声明指向任何数据类型的指针，指针也可以指向指针类型，成为指向指针的指针。下面是一个使用例子 1 int a=10,b=20; 2 int *q=&a; 3 int **p=&q; 4 **p=30; （2）如果想通过指针在被调函数中修改主调函数的变量，必须将主调函变量（务必确定该变量的类型，有时候可能变量本身就是指针，这时候形参就需要是指针的指针了）的地址作为参数，在被调函数中修改主调函数指向的内容。
-
发表了文章 2018-06-19
图像文字识别(OCR)用什么算法小结
说明：主要考虑深度学习的方法，传统的方法不在考虑范围之内。 1.文字识别步骤 1.1detection：找到有文字的区域（proposal)。 1.2classification：识别区域中的文字。 2.文字检测 文字检测主要有两条线，两步法和一步法。
-
发表了文章 2018-06-18
经典算法详解（4）计算一年中的第几天
题目：编程实现输入某年某月某日，计算这一天是这一年的第几天： 1 #include 2 3 4 using namespace std; 5 6 int getDays(int year, int month, int day) { 7 int days_of_mont...
-
发表了文章 2018-06-18
经典算法详解（3）将大于2的偶数分解成两个素数之和
1 #include 2 3 using namespace std; 4 5 bool isPrime(int n) { 6 for (int i = 2; i < n; i++) { 7 if (n%i == 0) { //能被2到把自身小1的数...
-
发表了文章 2018-06-18
经典算法详解（2）寻找数组中的次大数
题目：10个互不相等的整数，求其中的第2大的数字，要求数组不能用排序，设计的算法效率越高越好。 1 #include 2 3 using namespace std; 4 5 int max_second(int *arr,int n) { 6 int max_first...
-
发表了文章 2018-06-18
经典算法详解（1）斐波那契数列的n项
斐波那契数列是一个常识性的知识，它指的是这样的一个数列，它的第一项是1，第二项是1，后面每一项都是它前面两项的和，如：1,1,2,3,5,8,13,21,34,55,89,144,233…… 说明：由于通过递推方式效率低，系统开销大，空间复杂度高，故不考虑。
-
发表了文章 2018-06-18
指针和引用（3）指针数组和数组指针
1.知识点 1.1指针数组——存放指针的数组 （1）指针数组本质上是一个数组，指针是数组中的内容，表示数组中的每个元素都是指针，因此指针数组就是存放指针的数组。下面是指针数组的用法： 1 int a = 10, b = 20; 2 int *p[3]; 3 p[0] = &a; 4 p[2] = &b; （2）指针数组的定义可以抽象为：指向变量类型 * 数组名称[数组长度]。
-
发表了文章 2018-06-18
指针和引用（2）指针常量与常量指针
1.知识点 1.1指针常量——指针类型的常量 （1）指针常量本质是常量，指针用来说明常量的类型，表示该常量是一个指针类型的常量。 （2）在指针常量中，指针的值不可变，即始终指向同一个地址。 （3）但指针所指向的地址的值是可以通过*p来改变的。
-
发表了文章 2018-06-17
C++程序设计基础（6）内存分配
1.知识点 三步走：申请，释放，指针置空。 1.1malloc、free函数 在C语言中内存malloc函数申请动态空间，以下展示其基本用法： 1 int *p = NULL; 2 p = (int *)malloc(sizeof(int) * 10);//申请 3 free(p);//释放，否则会造成内存泄漏 4 p = NULL;//指针置空，否则成为野指针 （1）动态分配的空间来自队空间，而指针本身作为局部变量存储在栈空间中。
-
发表了文章 2018-06-17
C++程序设计基础（5）sizeof的使用
1.知识点 （1）sizeof是一个单目运算发，而不是一个函数，其用于获取操作数所占内存空间的字节数。 （2）sizeof的操作数可以使类型名，也可以是表达式，如果是类型名则直接获得该类型所占字节数，如果是表达式，则先分析表达式结果的类型，再根据类型确定所占字节数，并不对表达式进行实际计算。
-
发表了文章 2018-06-17
C++程序设计基础（4）宏定义和内联
1.知识点 1.1宏定义 （1）不带参数的宏定义 1 #define ERROR_MESSAGE -100 2 #define SECONDS_PER_DAY 60*60*60 （2）带参数宏定义，这种形式称为宏函数，但其实并不是函数 #define OUTPUTINT(x) cout
-
发表了文章 2018-06-17
C++程序设计基础（3）条件语句和循环语句
注：读《程序员面试笔记》笔记总结 1.知识点 1.1条件语句 （1）if……；（2）if……else……；（3）if……else if……；（4）switch（）{case （）：break；case（）：break；default：}。
-
发表了文章 2018-06-16
机器学习的数学基础（概率论和数理统计篇）
注：总结来自黄海广博士。
-
发表了文章 2018-06-16
机器学习的数学基础（线性代数篇）
注：总结来自黄海广博士。
-
发表了文章 2018-06-16
机器学习的数学基础（高等数学篇）
注：总结来自黄海广博士。 错误修正：9.微分中值定理，T2（罗尔定理）中缺了条件：a=b。
暂无更多信息
-
发表了文章
2018-07-16
经典算法详解（11）递归查找数组中的最大值
-
发表了文章
2018-07-15
吴恩达《深度学习》第四门课（1）卷积神经网络
-
发表了文章
2018-07-15
经典算法详解（10）图中有多少个三角形
-
发表了文章
2018-07-14
吴恩达《深度学习》第三门课（1）机器学习策略一
-
发表了文章
2018-07-14
吴恩达《深度学习》第二门课（3）超参数调试、Batch正则化和程序框架
-
发表了文章
2018-07-13
经典算法详解（9）寻找丑数
-
发表了文章
2018-07-13
经典算法详解（8）数的分组
-
发表了文章
2018-07-11
吴恩达《深度学习》第二门课（2）优化算法
-
发表了文章
2018-07-11
经典算法详解（7）丢番图的墓志铭
-
发表了文章
2018-07-10
吴恩达《深度学习》第二门课（1）深度学习的实用层面
-
发表了文章
2018-07-10
经典算法详解（6）渔夫捕鱼
-
发表了文章
2018-07-09
吴恩达《深度学习》第一门课（4）深层神经网络
-
发表了文章
2018-07-09
吴恩达《深度学习》第一门课（3）浅层神经网络
-
发表了文章
2018-07-08
吴恩达《深度学习》第一门课（2）神经网络的编程基础
-
发表了文章
2018-07-08
吴恩达《深度学习》第一门课（1）深度学习引言
-
发表了文章
2018-07-07
吴恩达《机器学习》课程总结（19）总结
-
发表了文章
2018-07-07
吴恩达《机器学习》课程总结（16）推荐系统
-
发表了文章
2018-07-06
吴恩达《机器学习》课程总结（15）异常检测
-
发表了文章
2018-07-04
吴恩达《机器学习》课程总结（18）应用实例：图片文字识别
-
发表了文章
2018-07-04
吴恩达《机器学习》课程总结（14）降维
滑动查看更多
暂无更多信息
暂无更多信息