机器学习

COS 每周精选：深度学习

COS 每周精选：深度学习

王威廉 / 王小宁 / 2016-04-03

本期投稿：王威廉、王小宁 […] 2006 年 Hinton 等人的深度学习论文在当时掀起了一股深度学习的研究浪潮，今年的人机围棋大战（AlphaGo 对战李世石）更是赚足了大众的眼球，相关的论文更是被更多的人拿来研读，小编为大家整理了一下，供大家学习交流。 AlphaGo 是一款围棋人工智能程序，由位于英国伦敦的谷歌（Google）旗下 DeepMind 公司的戴维 · 西尔弗、艾佳 · 黄和戴密……

机器学习

从统计学角度来看深度学习（1）：递归广义线性模型

从统计学角度来看深度学习（1）：递归广义线性模型

Shakir Mohamed / 2015-05-17

原文链接：http://blog.shakirm.com/2015/01/a-statistical-view-of-deep-learning-i-recursive-glms/ 作者：Shakir Mohamed 本文得到了原英文作者 Shakir Mohamed 的授权同意，由王小宁翻译、冯凌秉和朱雪宁审校。感谢他们的支持和帮助。深度学习及其应用已经成为实用机器学习的一个关键工具。神经网络和许……

机器学习

xgboost: 速度快效果好的 boosting 模型

xgboost: 速度快效果好的 boosting 模型

何通 / 2015-03-04

在数据分析的过程中，我们经常需要对数据建模并做预测。在众多的选择中，randomForest, gbm 和 glmnet 是三个尤其流行的 R 包，它们在 Kaggle 的各大数据挖掘竞赛中的出现频率独占鳌头，被坊间人称为 R 数据挖掘包中的三驾马车。根据我的个人经验，gbm 包比同样是使用树模型的 randomForest 包占用的内存更少，同时训练速度较快，尤其受到大家的喜爱。在 python 的机器学习库 sklearn……

机器学习

COS 每周精选：算法学习知哪些？

COS 每周精选：算法学习知哪些？

谢益辉 / 王威廉 / 冷静 / 王小宁 / 2015-01-19

本期投稿：谢益辉王威廉冷静王小宁 […] K-means 是最常用的聚类算法之一：容易理解，实现不难，虽然会有 local optimum，但通常结果也不差。但 k-means 也不是万金油，比如在一些比较复杂的问题和非线性数据分布上，k-means 也会失败。普林斯顿博士 David Robinson 写了一篇不错的分析文章，介绍了几种 k-means 会失效的情形。基于遗传算法的小车模拟，……

机器学习

COS 每周精选：深度学习面面观

COS 每周精选：深度学习面面观

王威廉 / 王小宁 / 2014-12-07

本期投稿：王威廉王小宁在了解深度学习之前，让我们先来看看 @戴文渊大牛的关于机器学习的前世今生的介绍。斯坦福深度学习博士 Richard Socher 貌似并未直接赶赴普林斯顿大学担任教职，而是在硅谷进行深度学习创业，目前得到 800 万美金的资金支持。据其介绍，其网站能通过点鼠标以及托、拉、提、拽的操作进行深度学习模型训练。DEMO,Wired. 美国波士顿大学以及东北大学的物理系教授写了一篇新……

机器学习

COS 每周精选：机器学习哪家强？

COS 每周精选：机器学习哪家强？

冷静 / 蔡占锐 / 王小宁 / 2014-11-16

本期投稿：冷静蔡占锐王小宁 […] 很多人在学习机器学习，但是这里面也有误区，你知道么？机器学习的资料也不断的出现，到底有哪些机器学习中深度学习的资料供我们学习，小编搜罗了一下，供大家参考。许多同学对于机器学习及深度学习的困惑在于，数学方面已经大致理解了，但是动起手来却不知道如何下手写代码。斯坦福深度学习博士 Andrej Karpathy 写了一篇实战版本的深度学习及机器学习教……

推荐文章

“支持向量机系列” 的番外篇二: Kernel II

“支持向量机系列” 的番外篇二: Kernel II

张驰原 / 2014-05-08

原文链接请点击这里在之前我们介绍了如何用 Kernel 方法来将线性 SVM 进行推广以使其能够处理非线性的情况，那里用到的方法就是通过一个非线性映射 $\phi(\cdot)$ 将原始数据进行映射，使得原来的非线性问题在映射之后的空间中变成线性的问题。然后我们利用核函数来简化计算，使得这样的方法在实际中变得可行。不过，从线性到非线性的推广我们并没有把 SVM 的式子从头推导一遍，而只是直接把最终……

推荐文章

“支持向量机系列” 的番外篇一: Duality

“支持向量机系列” 的番外篇一: Duality

张驰原 / 2014-03-19

原文链接请点击这里在之前关于 support vector 的推导中，我们提到了 dual，这里再来补充一点相关的知识。这套理论不仅适用于 SVM 的优化问题，而是对于所有带约束的优化问题都适用的，是优化理论中的一个重要部分。简单来说，对于任意一个带约束的优化都可以写成这样的形式： $$ \begin{aligned} \min&f_0(x) \\ s.t. &f_i(x)\leq……

推荐文章

支持向量机系列五：Numerical Optimization

支持向量机系列五：Numerical Optimization

张驰原 / 2014-03-06

原文链接请点击这里作为支持向量机系列的基本篇的最后一篇文章，我在这里打算简单地介绍一下用于优化 dual 问题的 Sequential Minimal Optimization (SMO) 方法。确确实实只是简单介绍一下，原因主要有两个：第一这类优化算法，特别是牵涉到实现细节的时候，干巴巴地讲算法不太好玩，有时候讲出来每个人实现得结果还不一样，提一下方法，再结合实际的实现代码的话，应该会更加明……

推荐文章

支持向量机系列四：Outliers

支持向量机系列四：Outliers

张驰原 / 2014-02-22

原文链接请点击这里在最开始讨论支持向量机的时候，我们就假定，数据是线性可分的，亦即我们可以找到一个可行的超平面将数据完全分开。后来为了处理非线性数据，使用 Kernel 方法对原来的线性 SVM 进行了推广，使得非线性的的情况也能处理。虽然通过映射 \(\phi(\cdot)\) 将原始数据映射到高维空间之后，能够线性分隔的概率大大增加，但是对于某些情况还是很难处理。例如可能并不是因为数据本身是非线……

推荐文章

支持向量机系列三：Kernel

支持向量机系列三：Kernel

张驰原 / 2014-02-17

原文链接请点击这里前面我们介绍了线性情况下的支持向量机，它通过寻找一个线性的超平面来达到对数据进行分类的目的。不过，由于是线性方法，所以对非线性的数据就没有办法处理了。例如图中的两类数据，分别分布为两个圆圈的形状，不论是任何高级的分类器，只要它是线性的，就没法处理，SVM 也不行。因为这样的数据本身就是线性不可分的。对于这个数据集，我可以悄悄透露一下：我生成它的时候就是用两个半径不同的圆圈加……

推荐文章

支持向量机系列二: Support Vector

支持向量机系列二: Support Vector

张驰原 / 2014-01-25

原文链接请点击这里上一次介绍支持向量机，结果说到 Maximum Margin Classifier ，到最后都没有说 “支持向量” 到底是什么东西。不妨回忆一下上次最后一张图：可以看到两个支撑着中间的 gap 的超平面，它们到中间的 separating hyper plane 的距离相等（想想看：为什么一定是相等的？），即我们所能得到的最大的 geometrical margin……