呆呆0315

深度信念网络 深度信念网络是一种概率生成模型，能够建立输入数据和输出类别的联合概率分布。网络中包含多个隐藏层，隐藏层中的隐藏变量通常是二进制数，用来对输入信号进行特征提取。输入信号从深度信念网络的最底

优化 传统机器学习算法往往会小心翼翼地选择代价函数和优化条件，将待优化问题转化为容易求解的凸优化问题。当待优化的代价函数的输入是 n 维向量时，其二阶导数就包含针对不同变量分别求偏导所得到的很多分量，

深度学习概述 深度学习是利用包含多个隐藏层的人工神经网络实现的学习。两个隐藏层足以解决任何类型的非线性分类问题，因而浅层神经网络最多只会包含两个隐藏层。相比于浅层神经网络，正是这“多个”隐藏层给深度学

自组织特征映射 无论是全局逼近的多层感知器，还是局部逼近的径向基网络，在训练中用到的都是监督学习的方法。如果将无监督学习引入神经网络中，对应的结构就是自组织特征映射。 自组织映射有两个明显的不同。第一

人工神经网络的生理学背景 脑神经科学研究表明，人脑由大约千亿个神经细胞及亿亿个神经突触组成，这些神经细胞及其突触共同构成了一个庞大的生物神经网络。 揭示出能把大量神经元组装成一个功能系统的设计原理，这

集成学习 集成学习正是使用多个个体学习器来获得比每个单独学习器更好的预测性能。集成学习的作用就是将多个可以得到假设整合为单个更好的假设，其一般结构是先产生一组个体学习器，再使用某种策略将它们加以整合。

11 机器学习 | 步步为营，有章可循：决策树 决策树算法采用树形结构，使用层层推理来实现最终的分类。与贝叶斯分类器相比，决策树的优势在于构造过程无需使用任何先验条件，因而适用于探索式的知识发现。 决

09 机器学习 | 大道至简：朴素贝叶斯方法 “朴素贝叶斯方法”用于解决分类问题，即将连续取值的输入映射为离散取值的输出。 朴素贝叶斯分类器假定样本的不同属性满足条件独立性假设，并在此基础上应用贝叶斯

07 机器学习 | 数山有路，学海无涯：机器学习概论 机器学习是计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的学科。 机器学习要做的就是根据已有的训练数据推导出描述所有数据的模型，并根