xuanyuyt-CSDN博客

原创 7. Bagging & Random Forest

通过前面集成学习的介绍我们知道，欲得到泛化性能强的集成学习器，集成中个体学习器应尽量相互独立；虽然“独立”在现实任务中无法做到，但可以设法使基学习器尽可能具有较大差异。1. Bagging自助采样（bootstrap sampling）：给定包含$m$个样本的数据集，我们有放回地取$m$次放入采样集中，得到包含$m$个样本的采样集。这样，初始训练集中大概会有 63.2%的样本出现在采样集中。

2017-03-01 22:29:01 261

原创 4. Neural Network

1. 神经网络首先引入一些便于稍后讨论的新标记：$L$：代表神经网络层数$S_l$：代表第$l$层处理单元的个数$K$：代表多分类中类别种数2. 前向传播（forward propagation）以上图为例：令$\textbf{z}^{(2)} = \Theta^{(1)}\textbf{x}$，则$\textbf{a}^{(2)} = g(\textbf{z}^{(2)})$，计算后

2017-03-01 22:28:58 286

原创 2. Linear Model

1. 基本形式给定由$d$个属性描述的示例 $\textbf{x} =(x_1;x_2;...,x_n)$,其中$x_i$是$x$在第$i$个属性上的取值，线性模型（linear model）试图学习一个通过属性的线性组合来进行预测的函数，即　　　　　　　　　　$f(\textbf{x}) = \theta_0+\theta_1x_1+\theta_2x_2 +...+\theta_nx_n$

2017-03-01 22:28:55 444

原创深度学习笔记（六）finetune

转自Caffe fine-tuning 微调网络一般来说我们自己需要做的方向，比如在一些特定的领域的识别分类中，我们很难拿到大量的数据。因为像在ImageNet上毕竟是一个千万级的图像数据库，通常我们可能只能拿到几千张或者几万张某一特定领域的图像，比如识别衣服啊、标志啊、生物种类等等。在这种情况下重新训练一个新的网络是比较复杂的，而且参数不好调整，数据量也不够，因此fine-tuning微调就是

2017-03-01 22:28:53 35518 2

原创 3. Decision Tree

1. 算法流程一般的，一颗决策树包含一个根结点、若干内部结点和若干叶结点；叶节点对应于决策结果，其他每个结点则对应于一个属性测试结果；每个结点包含的样本集合根据属性测试的结果被划分到子结点中；根结点包含样本全集。从根结点到每个叶子结点的路径对应了一个判定测试序列。决策树学习的目的是为了产生一颗泛化能力强，即处理未见示例能力强的决策树，其基本流程遵循简单且直观的“分而支之”策略：在决策树算法中

2017-03-01 22:28:50 566

原创 6. Ensemble learning & AdaBoost

1. ensemble learning 集成学习集成学习是通过构建并结合多个学习器来完成学习任务，如下图：集成学习通过将多个学习学习器进行结合，常可以获得比单一学习器更优秀的泛化性能从理论上来说，使用“弱学习器”集成足以获得好的性能，当实践中出于种种考虑，人们往往会使用比较强的学习器。以下面为例，集成学习的结构通过投票法Voting（少数服从多数）产生：由上面可以看出：个体学习

2017-03-01 22:28:47 723

原创 5. support vector machine

1. 了解SVM1. Logistic regression回顾Logistic regression目的是从特征中学习出一个0/1二分类模型，而这个模型是将特性的线性组合作为自变量，由于自变量的取值范围是负无穷到正无穷。因此，使用logistic function（或称作sigmoid function）将自变量映射到(0,1)上，映射后的值被认为是属于y=1的概率。假设函数其中$x

2017-03-01 22:28:45 541

原创深度学习笔记（一）线性分类器（基础知识）

声明，这个系列基本是我自己的一些学习过程，方便我自己后期复习的！1.线性分类器线性分类器主要由两个部分组成：一个是评分函数（score function），它是一个从原始图像到类别分值的映射函数。另一个是损失函数（loss function）也叫代价函数（cost function），它是用来量化预测得到的分类标签的得分与真实标签之间的一致性。该线性分类器可以转化成为一个最优化问题，

2017-03-01 22:28:42 2616

原创深度学习笔记（四）VGG14

Very Deep Convolutional Networks for Large-Scale Image Recognition1. 主要贡献本文探究了参数总数基本不变的情况下，CNN随着层数的增加，其效果的变化。(thorough evaluation of networks of increasing depth using an architecture with very

2017-03-01 22:28:37 1623

原创深度学习笔记（二）Constitutional Neural Networks

一. 预备知识包括 Linear Regression, Logistic Regression和 Multi-Layer Neural Network。参考 http://ufldl.stanford.edu/tutorial/supervised/MultiLayerNeuralNetworks/或者coursera看Andrew Ng 的机器学习课程。二者只是在某些公式表达上有细微的

2017-03-01 22:28:34 1322

hand_dataset.tar.gz

http://www.robots.ox.ac.uk/~vgg/data/hands/downloads/hand_dataset.tar.gz 官网数据下载太慢了，直接上传一份

2020-06-08

Hands-On Machine Learning with Scikit- Learn and TensorFlow

Concepts, Tools, and Techniques to Build Intelligent Systems

2018-03-18

Learning OpenCV 3: Computer Vision in C++ with the OpenCV Library

The animal on the cover of Learning OpenCV 3 is a giant, or great, peacock moth (Saturnia pyri). Native to Europe, the moth’s range includes southern France and Italy, the Iberian Peninsula, and parts of Siberia and northern Africa. It inhabits open landscapes with scattered trees and shrubs and can often be found in parklands, orchards, and vineyards, where it rests under shade trees during the day. The largest of the European moths, giant peacock moths have a wingspan of up to six inches; their size and nocturnal nature can lead some observers to mistake them for bats. Their wings are gray and grayish-brown with accents of white and yellow. In the center of each wing, giant peacock moths have a large eyespot, a distinctive pattern most commonly associated with the birds they are named for. Many of the animals on O'Reilly covers are endangered; all of them are important to the world. To learn more about how you can help, go to animals.oreilly.com . The cover image is from Cassell’s Natural History, Volume 5.

2017-01-01

AR face datasets(4000)-1

完整 AR 人脸数据集 126 people (over 4,000 color images). Different facial expressions, illumination conditions and occlusions.

2015-07-27

Face Alignment at 3000

Face Alignment at 3000 FPS via Regressing Local Binary Features 论文代码

2015-04-15

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

xuanyuyt的专栏