IP屬地：福建
-
拉格朗日對偶
0.簡介 在凸優(yōu)化研究中螟左，數(shù)學(xué)優(yōu)化問題遵循以下形式： 是一個(gè)稱為優(yōu)化變量的向量 是一個(gè)我們想要最小化的凸函數(shù) 是一套凸集青伤，描述了一組可行（...
-
西瓜書擴(kuò)展_支持向量機(jī)_間隔與支持向量二分類問題 這里我們考慮的是一個(gè)兩類的分類問題，數(shù)據(jù)點(diǎn)用來表示汤纸，這是一個(gè)維向量茅信，而類別用來表示翎蹈，可以取或者还蹲，分別代表兩個(gè)不同的類： 劃分超平...
-
西瓜書擴(kuò)展_拉格朗日對偶
原始目標(biāo)函數(shù)（有約束條件） 對于任意一個(gè)帶約束的優(yōu)化都可以寫成這樣的形式： 新構(gòu)造的目標(biāo)函數(shù)（沒有約束條件） 因?yàn)槲覀円蠼?..
-
西瓜書擴(kuò)展_學(xué)習(xí)理論概念=未知目標(biāo)函數(shù) 樣本集大小 “不可知PLA可學(xué)習(xí)” 二分類問題，0-1損失函數(shù)（0-1 loss function） 泛化誤差（genera...
-
偽逆對于的矩陣奔滑，定義其偽逆艾岂，使得當(dāng)為階可逆方陣的時(shí)候，有 矩陣的奇異值分解可以理解成從到的線性變換在不同基底下矩陣表示朋其，接下來利用矩陣的奇異值分解來...
-
奇異值分解的幾何意義闡述
對角矩陣是我們最喜歡的一類矩陣王浴，因?yàn)榻o定一個(gè)對角陣立即就可以得到它的特征值，行列式梅猿，冪和指數(shù)函數(shù)等等 而一個(gè)階的方陣相似于對角陣當(dāng)且僅當(dāng)它存在著...
-
深度學(xué)習(xí)擴(kuò)展_梯度下降：當(dāng)發(fā)生微小變化的時(shí)候氓辣，的變化有多大「を荆可用式子表示 是梯度钞啸，指向最陡上升方向。 是方向?qū)?shù)喇潘，并不指向最陡上升方向体斩。 ，沿著方向的微小推動(dòng)可以被分...
-
深度學(xué)習(xí)擴(kuò)展_最大似然估計(jì)
極大似然估計(jì)颖低，通俗理解來說絮吵，就是利用已知的樣本結(jié)果信息，反推最具有可能（最大概率）導(dǎo)致這些樣本結(jié)果出現(xiàn)的模型參數(shù)值忱屑！ 換句話說蹬敲，極大似然估計(jì)提供...
-
深度學(xué)習(xí)擴(kuò)展_信息論
首先來看離散型隨機(jī)變量≥航洌考慮隨機(jī)變量取某一個(gè)特定值時(shí)包含的信息量的大小粱栖。假設(shè)隨機(jī)變量取值為，對應(yīng)的概率為脏毯。直觀來看，取這個(gè)值的可能性越小幔崖，而它又...