機器學習 課件 第1章 基礎知識_第1頁
機器學習 課件 第1章 基礎知識_第2頁
機器學習 課件 第1章 基礎知識_第3頁
機器學習 課件 第1章 基礎知識_第4頁
機器學習 課件 第1章 基礎知識_第5頁
已閱讀5頁，還剩22頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

第1章基礎知識主講：胡曉（教授）廣州大學，機械與電氣工程學院，類腦機器視覺研究室《論語·述而》：三人行，必有我?guī)熝?。擇其善者而從之，其不善者而改之?.1什么是機器學習

學習算法

1.1什么是機器學習

屬性(Attribute)，也成為特征。構成的向量為特征向量或屬性向量

屬性值都是隨機的，通常假設樣本集獲得屬性向量是獨立同分布

標簽(label)

1.2機器學習分類

分類回歸

1.3模型評估

學習算法

2.準確率和錯誤率

三角形區(qū)

三角形區(qū)

4.均方差和峰值信噪比

1.4優(yōu)化

學習算法

通過訓練樣本，獲得模型參數(shù)的過程稱為參數(shù)學習

1.損失函數(shù)

2.目標函數(shù)

3.最小二乘法

《機器學習》學習時長與考試成績的關系學習天數(shù)1012015818考試成績8210989365904.梯度下降法

4.梯度下降法

每次迭代，從訓練集中隨機抽取一小部分樣本計算目標函數(shù)，計算梯度、更新參數(shù)。5.梯度修正梯度修正動量法Nesterov加速梯度法

目標函數(shù)曲面沿不同方向變化快慢不一致。在隨機(小批量)梯度下降法中，如果每次選取樣本數(shù)量比較少，迭代步長則具有隨機性。如果梯度方向處于急變區(qū)，則變化快；如果處于平坦區(qū)，則變化慢，導致?lián)p失函數(shù)以振蕩方式下降。此外，一旦進入損失函數(shù)的局部最小點或鞍點，也可能難以跳出。動量法為解決或緩解上述問題提供可能：通過使用最近一段時間內的平均梯度來代替當前的隨機梯度。動量法

動量法Nesterov加速梯度法，NAG

5.學習率調整學習率調整學習率衰減，學習率退火Adagrad算法Adadelta算法Adam算法

Adagrad算法是由JohnDuchi等人提出的一種自適應學習率的梯度下降法：對不同的參數(shù)采用不同學習率，低頻出現(xiàn)參數(shù)采用大學習率，高頻出現(xiàn)參數(shù)采用小學習率。

5.學習率調整學習率調整學習率衰減，學習率退火Adagrad算法Adadelta算法Adam算法

由MatthewD.Zeiler提出的旨在解決Adagrad學習率不斷下降問題的一種改進算法，該算法僅計算在近期梯度值的累積和

5.學習率調整學習率調整學習率衰減，學習率退火Adagrad算法Adadelta算法Adam算法

Die

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論