[机器学习] 用一张图理解SVM的脉络

说明： 在各种机器学习算法中，SVM是对数学要求较高的一种，一直以来不易被初学者掌握。如果能把握住推导的整体思路，则能降低理解的难度，在本文中SIGAI将通过一张图来为大家讲述SVM的整个推导过程。
<sigai_csdn> 上传 | 大小：858kb

[机器学习] 卷积神经网络为什么这么有效

说明： 在机器视觉和其他很多问题上，卷积神经网络取得了当前最好的效果，它的成功促使我们思考一个问题，卷积神经网络为什么会这么有效？在本文中，SIGAI将为大家分析卷积神经网络背后的奥秘。
<sigai_csdn> 上传 | 大小：1mb

[机器学习] 卷积神经网络综述

说明： 从1989年LeCun提出第一个真正意义上的卷积神经网络到今天为止，它已经走过了29个年头。自2012年AlexNet网络出现之后，最近6年以来，卷积神经网络得到了急速发展，在很多问题上取得了当前最好的结果，是各种深度学习技术中用途最广泛的一种。在本文中SIGAI将为大家回顾和总结卷积神经网络的整个发展过程。
<sigai_csdn> 上传 | 大小：3mb

[机器学习] 理解SVM核函数和参数的作用

说明： 支持向量机（SVM）在很多分类问题上曾经取得了当时最好的性能，使用非线性核的支持向量机可以处理线性不可分的问题。仅仅通过一个简单的核函数映射，就能达到如此好的效果，这让我们觉得有些不可思议。核函数过于抽象，在本文中，SIGAI将通过一组实验来演示核函数的有效性，并解释支持向量机各个参数所起到的作用，让大家对此有一个直观的认识。如果要了解SVM的理论，请阅读我们之前的公众号文章“用一张图理解SVM的脉络”
<sigai_csdn> 上传 | 大小：574kb

[机器学习] 理解梯度下降法

说明： 最优化问题在机器学习中有非常重要的地位，很多机器学习算法最后都归结为求解最优化问题。在各种最优化算法中，梯度下降法是最简单、最常见的一种，在深度学习的训练中被广为使用。在本文中，SIGAI将为大家系统的讲述梯度下降法的原理和实现细节问题。
<sigai_csdn> 上传 | 大小：612kb

[机器学习] 机器学习在自动驾驶中的应用-以百度阿波罗平台为例【上】

说明： 自动驾驶是人工智能当前最热门的方向之一，也是未来将对人类生活会产生重大影响的方向。机器学习在自动驾驶中有举足轻重的地位，从环境感知到策略控制，都有它的身影。在本文中，SIGAI将以百度阿波罗平台为例，介绍机器学习在自动驾驶系统中的应用，揭开自动驾驶算法的神秘面纱。
<sigai_csdn> 上传 | 大小：865kb

[机器学习] 理解牛顿法

说明： 牛顿法是数值优化算法中的大家族，她和她的改进型在很多实际问题中得到了应用。在机器学习中，牛顿法是和梯度下降法地位相当的的主要优化算法。在本文中，SIGAI将为大家深入浅出的系统讲述牛顿法的原理与应用。
<sigai_csdn> 上传 | 大小：682kb

[机器学习] 行人检测算法

说明： 行人检测是计算机视觉中的经典问题，也是长期以来难以解决的问题。和人脸检测问题相比，由于人体的姿态复杂，变形更大，附着物和遮挡等问题更严重，因此准确的检测处于各种场景下的行人具有很大的难度。在本文中，SIGAI将为大家回顾行人检测算法的发展历程。
<sigai_csdn> 上传 | 大小：1mb

[机器学习] HLDA学习笔记

说明： David M.BLEI 这个LDA领域的大牛，对LDA有诸多变形，这一片是将随机过程(stochastic process)用于无参贝叶斯推断上，构造主题层次树。 2012.9.17 刚刚开始学习，掌握了大概内容。 文中采用的方法:在贝叶斯无参推断(BNP)中，先验和后验分布不再受限于参数的分布，而是一般的随机过程。贝叶斯推断过程也不再受限于优先维空间，可以扩展到一般的无限维空间。
<qq_40486106> 上传 | 大小：121kb

[机器学习] 大话Adaboost算法

说明： AdaBoost算法是一种集成学习（ensemble learning）方法。集成学习是机器学习中的一类方法，它对多个机器学习模型进行组合形成一个精度更高的模型，参与组合的模型称为弱学习器（weak learner）。在预测时使用这些弱学习器模型联合起来进行预测；训练时需要用训练样本集依次训练出这些弱学习器。典型的集成学习算法是随机森林和boosting算法，而AdaBoost算法是boosting算法的一种实现版本。
<sigai_csdn> 上传 | 大小：418kb

[机器学习] 循环网络综述

说明： 循环神经网络是一种具有记忆功能的神经网络，适合序列数据的建模。它在语音识别、自然语言处理等领域取得了成功。是除卷积神经网络之外深度学习中最常用的一种网络结构。在本文中，SIGAI将和大家一起回顾循环神经网络的发展历程与在各个领域的应用。
<sigai_csdn> 上传 | 大小：1mb

[机器学习] 理解决策树

说明： 决策树是最简单的机器学习算法，它易于实现，可解释性强，完全符合人类的直观思维，有着广泛的应用。决策树到底是什么？简单地讲，决策树是一棵二叉或多叉树（如果你对树的概念都不清楚，请先去学习数据结构课程），它对数据的属性进行判断，得到分类或回归结果。预测时，在树的内部节点处用某一属性值（特征向量的某一分量）进行判断，根据判断结果决定进入哪个分支节点，直到到达叶子节点处，得到分类或回归结果。这是一种基于if-then-else规则的有监督学习算法，决策树的这些规则通过训练得到，而不是人工制定的。
<sigai_csdn> 上传 | 大小：534kb