CVPR 2015 之深度学习篇 Part 2 － deep learning在计算机视觉各个子领域的应用Image Classification (图像分类）deep learning 的腾飞归功于其在 image classification 上的巨大成功。2012年的 AlexNet 的分类效...
分类：
其他好文 时间：
2015-06-23 21:26:04
阅读次数：
7612
logistic 回归1.问题：在上面讨论回归问题时，讨论的结果都是连续类型，但如果要求做分类呢？即讨论结果为离散型的值。2.解答：
假设：
其中：
g(z)g(z)的图形如下：
由此可知：当hθ(x)h_\theta(x)<0.5时我们可以认为为0，反之为1，这样就变成离散型的数据了。
推导迭代式：利用概率论进行推导，找出样本服从的分布类型，利用最大似然法求出相应的θ\theta因此：...
分类：
其他好文 时间：
2015-06-21 09:24:34
阅读次数：
137
http://blog.csdn.net/abcjennifer/article/details/8164315本文从统计学角度讲解了CART（Classification And Regression Tree）, Bagging(bootstrap aggregation), Random Fo...
分类：
其他好文 时间：
2015-06-20 17:04:28
阅读次数：
150
ImageNetClassificationwithDeepConvolutionalNeuralNetworks阅读笔记（决定以后每读一篇论文，都将笔记记录于博客上。）这篇发表于NIPS2012的文章，是Hinton与其学生为了回应别人对于deep learning的质疑而将deep learni...
分类：
Web程序 时间：
2015-06-19 13:20:19
阅读次数：
185
一、算法1、kNN算法又称为k近邻分类(k-nearest neighbor classification)算法。最简单平庸的分类器或许是那种死记硬背式的分类器，记住全部的训练数据，对于新的数据则直接和训练数据匹配，假设存在同样属性的训练数据，则直接用它的分类来作为新数据的分类。这样的方式有一个明显...
分类：
编程语言 时间：
2015-06-18 13:13:58
阅读次数：
147
Linear Classification在上一讲里，我们介绍了图像分类问题以及一个简单的分类模型K-NN模型，我们已经知道K-NN的模型有几个严重的缺陷，第一就是要保存训练集里的所有样本，这个比较消耗存储空间；第二就是要遍历所有的训练样本，这种逐一比较的方式比较耗时而低效。现在，我们要介绍一种更加强大的图像分类模型，这个模型会很自然地引申出神经网络和Convolutional Neural Net...
分类：
Web程序 时间：
2015-06-17 21:33:53
阅读次数：
174
Otto Product Classification Winner's Interview: 2nd place, Alexander Guschin ¯\_(ツ)_/¯TheOtto Group Product Classification Challengemade Kaggle histor...
Choosing a Machine Learning ClassifierbyEdwin ChenonWed 27 April 2011How do you know what machine learning algorithm to choose for your classification...
分类：
编程语言 时间：
2015-06-10 20:42:34
阅读次数：
131
一、算法1、kNN算法又称为k近邻分类(k-nearest neighbor classification)算法。最简单平庸的分类器或许是那种死记硬背式的分类器，记住全部的训练数据。对于新的数据则直接和训练数据匹配，假设存在同样属性的训练数据，则直接用它的分类来作为新数据的分类。这样的方式有一个明显...
分类：
编程语言 时间：
2015-06-08 22:54:11
阅读次数：
136
一、ImageNet
Object Detection, Object Classification+Localization
二、COCO
Image Captioning
三、LFW
Face Recognition
四、CIFAR
The CIFAR Image Classification Benchmark
五、MNIST
The M...
分类：
系统相关 时间：
2015-06-04 21:09:40
阅读次数：
169
