wty's blog

机器学习中的线性模型 以下内容是在《机器学习实战：基于Scikit-Learn，Keras和TensorFlow》中第四章内容基础上进行的总结. 模型原理 基本定义 我们默认向量均为列向量，用小写字符表示向量，大写字符表示矩阵. 假设训练集中总共有 mmm 个样本，第 iii 个样本对应的特征和标签记为 (x(i),y(i))(\boldsymbol{x}^{(i)}, y^{(i)

数学公式 1. 更改 Markdown 渲染器 卸载原有的渲染器 npm un hexo-renderer-marked --save 推荐使用 KaTeX\KaTeXKATE​X 渲染器，mathjaxmathjaxmathjax 在换行的时候总是把\\转义成\，修改了也不能换行，所以最终选择了 KaTeX\KaTeXKATE​X 渲染器 如果安装过mathjax就先卸载: npm un h

MNIST 数据集进行分类 《机器学习实战：基于Scikit-Learn，Keras和TensorFlow》中第三章内容，英文代码可参考github - handson-ml2/03_classification.ipynb 下面内容对应的Jupyter Notebook代码位于github：3.classification.ipynb 数据集导入 使用Scikit-Learn中的 sklea

端到端的机器学习项目实例 《机器学习实战：基于Scikit-Learn，Keras和TensorFlow》中第二章内容，英文代码可参考github - handson-ml2/02_end_to_end_machine_learning_project.ipynb 下面内容对应的Jupyter Notebook代码位于github：2.end_to_end_machine_learning_pr

代码折叠 先尝试过很多next主题下的配置方法，不会套用过来（没学过JavaScript的痛~），即使套用过来后，也出现按钮不显示，折叠框位置不正确等等问题，所以最后还是使用的hexo的插件，真香 操作很简单 hexo-sliding-spoiler插件 github链接: hexo-sliding-spoiler 插件安装 npm install hexo-sliding-spoiler

卷积神经网络 简介 卷积神经网络（Convolution Neural Networks, CNN, ConvNet），结构特性：局部连接，权重共享，汇聚信息. 主要适用于图像处理的一种神经网络，其想法来源来自于生物模型中的感受野（Receptive Field），即视觉神经元只会接收到其所支配的刺激区域的信号，即获得某个区域内的加权平均结果，这种操作在数学中就是卷积. 卷积 这里的卷积指的

循环神经网络 简介 循环神经网络（Recurrent Neural Networks, RNN）是对前馈型全连接神经网络的改进. 全连接神经网络的输入维度在确定网络结构的时候已经固定，而且当特征之间具有的潜在关联性也无法解决. 循环神经网络支持输入任意长度的特征，并且可以通过处理特征之间具有的关联性，这也称为神经网络的记忆力. 一般的RNN具有短期记忆力，使用门控机制（Gating Mecha

强化学习 强化学习（Reinforcement Learning, RL）是一种通过不断试错，并从中不断改进从而提升效果的学习算法. 一般来说，游戏或电脑中模拟的现实情况称为环境（Environment)，智能体（Agent）在环境中可以做出行动（Action）从而最大化累积奖励（Reward），在每次行动后，智能体可以通过观察（Observe）环境得到状态（State）的变化并获得当前行动的奖

基础知识 定义1（函数范数） 设标量函数 u:Rn⊃Ω→Ru: \mathbb{R}^n\supset \Omega\to \mathbb{R}u:Rn⊃Ω→R，C(Ω)C(\Omega)C(Ω) 表示在 Ω\OmegaΩ 上的连续标量函数构成的线性空间，对于 u∈C(Ω)u\in C(\Omega)u∈C(Ω)，定义 ∣∣u∣∣C(Ω=sup⁡x∈Ω∣u(x)∣,（值域的上确界）||u||_

第一章 度量空间（距离空间） 定义1.1（度量，度量空间） 设 XXX 为非空集合，ρ(x,y)\rho(x, y)ρ(x,y) 是 XXX 上的一个双变元的实值函数，满足：（x,y,z∈Xx,y,z\in Xx,y,z∈X） 正定性：ρ(x,y)⩾0\rho(x, y)\geqslant 0ρ(x,y)⩾0 且 ρ(x,y)=0  ⟺  x=y\rho(x, y) = 0\iff x =