机器学习的四大应用领域及其应用 数据挖掘：发现数据之间的关系 1.回归问题 2.分类问题 根据已知数据，学习函数。 计算机视觉：像人一样看懂世界 图像分类 目标检测（无人驾驶） 语义分割（无人驾驶） 场景理解（无人驾驶） NLP：像人一样看懂文字 文本分类（新闻分类） 自动生成文本摘要 翻译 QA ...
推荐系统评估指标(Rank)
Posted on
|
In
recommender systems
Mean Average Precision (MAP) $AP=\frac {\sum_{j=1}^{n_i}P(j)\cdot y_{i,j}}{\sum_{j=1}^{n_i}y_{i,j}}$ 其中，$y_{i,j}$: 排序中第j个元素对于查询i是否是相关的；相关为1，不相关为0。 $P( ...
cluster
Posted on
|
Edited on
概述 聚类（Clustering）的本质是对数据进行分类，将相异的数据尽可能地分开，而将相似的数据聚成一个类别（簇），使得同一类别的数据具有尽可能高的同质性（homogeneity），类别之间有尽可能高的异质性（heterogeneity），从而方便从数据中发现隐含的有用信息。聚类算法的应用包含如下 ...
gans problem
Posted on
|
In
Deep learning
自从2014年Ian Goodfellow提出以来，GAN就存在着训练困难、生成器和判别器的loss无法指示训练进程、生成样本缺乏多样性等问题。从那时起，很多论文都在尝试解决，但是效果不尽人意，比如最有名的一个改进DCGAN依靠的是对判别器和生成器的架构进行实验枚举，最终找到一组比较好的网络架构设置 ...
gan application
Posted on
|
In
Deep learning
自2014年Ian Goodfellow提出了GAN（Generative Adversarial Network）以来，对GAN的研究可谓如火如荼。各种GAN的变体不断涌现，下图是GAN相关论文的发表情况： GANs 现在可以做什么？ GAN应用史 首先简单介绍一下GAN出现以来GAN变体们的 ...
GAN theory
Posted on
|
In
Deep learning
from 《Generative Adversarial Nets》 NIPS 2014 by Goodfellow. 1.GAN的基本思想 GAN通过博弈的思想来训练生成模型与对狼模型，基本思想不再重复阐述，可用如下图替代。 2.GAN的基本框架 在下面的示例图像中，蓝色区域显示了图像空间中包含 ...
generate model
Posted on
|
In
Deep learning
生成模型 生成模型(generative model)描述的是这一类的模型：接收了从分布 $p_{data}$ 取样的若干样本构成我们的训练集，然后让模型学习到一个模拟这一分布的概率分布$p_{model}$. 在有些情况下，我们可以直接的估计概率分布，如下图所示的密度概率分布模型： 有些情况， ...