1樓:大江東去
在開始階段,可以學習一些基礎的機器學習方法。這些方法是高階演算法的基礎,不算是彎路。
基礎的機器學習方法有
① 卷積神經網路
卷積神經網路是現在眾多深度學習演算法的基礎,核心特色是卷積層。
卷積神經網路
② 深度殘差網路
深度殘差網路通過堆疊很多下圖所示的基本模組,在恒等連線的幫助下,可以形成很深的網路結構。
深度殘差網路的基本模組
③ 深度殘差收縮網路
相較於深度殘差網路的基本模組,深度殘差收縮網路[1][2]的基本模組還包含了軟閾值化,能夠通過自動調整閾值,在特徵提取的過程中自動消除冗餘資訊[3]。
(面向強噪、高冗餘資料的)深度殘差收縮網路
2樓:polossk
以後可以專門開一門課程叫特徵工程,我保證座無虛席。
有句話說得很有道理:特徵工程決定了你的結果的上限,而演算法只是在盡可能地接近這個上限而已。共勉
3樓:NC少年AI
華山派中
劍宗,強化招式,弱化內功。如風清揚
氣宗,強化內功,弱化招式。如岳不群
最終殊途同歸,內功加招式。
結論: 實踐(招式)加理論(內功)。最初期理論和實踐的基本底子都要搭起來。之後,看你入哪門哪派了。
4樓:
嗯,很多人先補數學》程式設計》演算法,
我負責任的說,這特麼都是彎路。
機器學習正道:
了解基本演算法(公開課),
調包解決場景問題(Sklearn),
調參檢視文件,補充理論,
總結不同演算法優缺!
進而擴充套件解決實際問題或競賽。
你要說深度學習?
不好意思,先學傳統的演算法吧。
學習路徑參考:
Python資料分析及視覺化例項目錄https://zhuanlan.zhihu.
5樓:蒜葵
少走彎路的方法不是在optimizer裡麼(大霧)
什麼momentum啊,自己要走彎路的時候沒事給自己adam一下。。。
隨機過程 機器學習和蒙特卡洛在金融應用中都有哪些關係?
yooda 因為目前正在搗鼓隨機微分方程,我本來是打算以後轉機器學習,但是這段時間在思考,倒不如把隨機分析這塊研究好,包括如何數值計算解決很多複雜方程的解,以便將來建立更加有用,合理的金融模型,然後借助機器學習,做做優化,搞搞資產配置啥的。而機器學習我覺得本身只是一種工具,學習使用它我是比較感興趣的...
你在學習過程中犯過哪些錯誤?
差不多有4項比較關鍵的吧 1學習環境凌亂。學習環境亂,導致心情煩躁,以至於無法專心學習。先整理好東西在進行學習,其實會提公升不小的學習效率。2非要找到最好的方法才進行學習。以至於在尋找方法的過程中浪費巨多時間,然後尋找的方法也不一定是最好的方法,然後無限進入惡性迴圈。最好的方法就是直接去實踐 去學習...
在學習粵語的過程中有哪些小故事?
halo,我是你們的學長可樂君。關於粵語,可樂本君有好多話想跟大家嘮嘮。和粵語的緣分大概始於看香港電影和TVB。不管是那句 母雞啊 唔知道啊 還是後來大話西遊裡面的那段 曾經有乙份至真嘅愛情擺喺我面前,但我冇去珍惜,到冇咗嘅時候先至後悔莫及,塵世間最痛苦莫過於此。如果個天可以畀個機會我返轉頭嘅話,我...