机器学习工程师 - Udacity 深度学习

Posted paulonetwo

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习工程师 - Udacity 深度学习相关的知识,希望对你有一定的参考价值。

一、神经网络
1.为了进行梯度下降,误差函数不能是离散的,而必须是连续的。误差函数必须是可微分的。同时,要将离散预测变成连续预测,方法是将激活函数从阶跃函数变成S函数。

2.最大似然法:选出实际发生的情况所对应的概率更大的模型。
技术分享图片

3.交叉熵(损失函数):将得到的概率取对数,对它们的相反数进行求和。准确的模型得到较低的交叉熵。
交叉熵可以告诉我们两个向量是相似还是不同。
技术分享图片

4.Logistic回归(对数几率回归)
机器学习中最热门和最有用的算法之一,也是所有机器学习的基石。基本上是这样的:
1)获得数据;
2)选择一个随机模型;
3)计算误差;
4)最小化误差,获得更好的模型;
5)完成!
计算误差函数:
技术分享图片

5.感知器算法和对数概率很相似,分类错误的点都会告诉直线靠近点,不同的是对于分类正确的点,感知器算法会说什么也不要做,而对数概率会说远离它。













以上是关于机器学习工程师 - Udacity 深度学习的主要内容,如果未能解决你的问题,请参考以下文章

从软件工程的角度写机器学习6——深度学习之卷积神经网络(CNN)实现

优达学城机器学习工程师纳米学位项目介绍

浅谈机器学习之深度学习

Udacity深度学习,作业3,第3部分:Tensorflow辍学功能

学机器学习要学一些什么?机器学习和深度学习项目实战分享

动手学深度学习:人工智能机器学习深度学习领域重磅教程图书