今日閱讀： 圖神經(jīng)網(wǎng)絡(luò)入門(mén)必讀: 一文帶你梳理GCN, GraphSAGE, GAT, GAE, Pooling, DiffPool ：https://mp.weixin.q...
發(fā)簡(jiǎn)信
IP屬地：青海
-
今日知識(shí)點(diǎn)
-
-
理解圖神經(jīng)網(wǎng)絡(luò)
入門(mén)介紹 直觀了解圖神經(jīng)網(wǎng)絡(luò) https://theaisummer.com/Graph_Neural_Networ...
-
AutoEncoder1.簡(jiǎn)介 Autoencoder是一種無(wú)監(jiān)督學(xué)習(xí)過(guò)程，由encode和decode構(gòu)成，給定輸入之后，經(jīng)過(guò)encode將輸入編碼成code，然后在經(jīng)過(guò)decode將code...
-
空間聚類算法簡(jiǎn)述空間數(shù)據(jù)聚類算法主要包括四大類：（1）給予劃分的聚類；（2）基于層次的聚類；（3）基于密度的聚類；（4）基于網(wǎng)格的聚類。時(shí)空數(shù)據(jù)聚類算法是空間數(shù)據(jù)聚類算法的驗(yàn)身，它將時(shí)許維度...
-
序列模型—自然語(yǔ)言處理與詞嵌入詞匯表征 利用one-hot向量來(lái)表示詞，會(huì)使得詞語(yǔ)詞之間孤立，對(duì)相關(guān)詞的泛化能力差，如下圖所示 當(dāng)你學(xué)習(xí)到了一個(gè)語(yǔ)言模型：I want a glass of orange，...
-
李宏毅GAN學(xué)習(xí)筆記—— 簡(jiǎn)介以圖片生成為例 算法過(guò)程： 首先初始化D和G的參數(shù)，然后進(jìn)入迭代過(guò)程，在每一次迭代中，先固定G，訓(xùn)練D，然后在固定D，訓(xùn)練G，每次迭代中重復(fù)這個(gè)過(guò)程，以一次迭代過(guò)程為例，如上...
-
網(wǎng)絡(luò)表征學(xué)習(xí) 自學(xué)筆記什么是網(wǎng)絡(luò)表征學(xué)習(xí)： 針對(duì)網(wǎng)絡(luò)結(jié)構(gòu)，用向量的數(shù)據(jù)形式表示網(wǎng)絡(luò)結(jié)構(gòu)、節(jié)點(diǎn)屬性的機(jī)器學(xué)習(xí)方法就是網(wǎng)絡(luò)表征學(xué)習(xí)。 目前的社交網(wǎng)絡(luò)分析中，常用圖的鄰接矩陣表示節(jié)點(diǎn)間的連接關(guān)系，將邊的...
-
Network Embedding相關(guān)論文匯總
1. HONE: Higher-Order Network Embeddings（HONE:高階網(wǎng)絡(luò)嵌入） 作者：Ryan A. Rossi,Nesreen K. Ahmed...
-
吳恩達(dá)機(jī)器學(xué)習(xí)—應(yīng)用舉例照片OCR 如何讓計(jì)算機(jī)讀出圖片中的信息 在OCR中，算法首先進(jìn)行圖片中的文本識(shí)別，然后進(jìn)行字體分區(qū)，在進(jìn)行文字識(shí)別，這一系列流程稱為OCR流水線。這種過(guò)程稱為機(jī)器學(xué)習(xí)流水線...
-
吳恩達(dá)機(jī)器學(xué)習(xí)—大規(guī)模機(jī)器學(xué)習(xí)學(xué)習(xí)大數(shù)據(jù)集 數(shù)據(jù)量多，模型效果肯定會(huì)比較好，但是大數(shù)據(jù)也有它自己的問(wèn)題，計(jì)算復(fù)雜 如果存在100000000個(gè)特征，計(jì)算量是相當(dāng)大的，在進(jìn)行梯度下降的時(shí)候，還要反復(fù)求損失函...
-
吳恩達(dá)機(jī)器學(xué)習(xí)—推薦系統(tǒng)問(wèn)題規(guī)劃 假設(shè)已有的數(shù)據(jù)如上所示，洋紅色線內(nèi)的數(shù)據(jù)表示缺失數(shù)據(jù)，那么我們?nèi)绾胃鶕?jù)已有的評(píng)分?jǐn)?shù)據(jù)來(lái)預(yù)測(cè)這些缺失的數(shù)據(jù)呢？ 基于特征的推薦算法 已知數(shù)據(jù)如上，有四個(gè)人對(duì)于不同電影...
-
吳恩達(dá)機(jī)器學(xué)習(xí)—異常檢測(cè)問(wèn)題動(dòng)機(jī) 再給定訓(xùn)練集的情況下，如何檢測(cè)某一個(gè)輸入x是否異常？ 首先要根據(jù)訓(xùn)練集數(shù)據(jù)建立一個(gè)模型，當(dāng)給定數(shù)據(jù)的值的時(shí)候，則數(shù)據(jù)被認(rèn)定為異常，表示它距離總體數(shù)據(jù)中心較遠(yuǎn)時(shí)被認(rèn)定...
-
吳恩達(dá)機(jī)器學(xué)習(xí)—降維目標(biāo)：數(shù)據(jù)壓縮 如果數(shù)據(jù)特征過(guò)多，可能會(huì)產(chǎn)生冗余，你也會(huì)不太清楚自己到底有哪些特征，需要哪些特征。 建立一條線，使每個(gè)點(diǎn)都投射到這條線上，然后建立新的特征. 將3維數(shù)據(jù)投影到...
-
吳恩達(dá)機(jī)器學(xué)習(xí)—無(wú)監(jiān)督學(xué)習(xí)無(wú)監(jiān)督學(xué)習(xí) 數(shù)據(jù)集是不帶標(biāo)簽的，要找到一下隱含在數(shù)據(jù)中的機(jī)構(gòu) 算法首先生成兩個(gè)聚類中心，第一步進(jìn)行簇分類，然后遍歷數(shù)據(jù)集，計(jì)算每個(gè)點(diǎn)到聚類中心的距離，然后將點(diǎn)和最近的聚類中心...
-
吳恩達(dá)機(jī)器學(xué)習(xí)—支持向量機(jī)優(yōu)化目標(biāo) 考慮兩種情況，時(shí)，根據(jù)樣本數(shù)據(jù)可以得到損失函數(shù)圖上分別如上左圖和上右圖所示，使用紫色線描繪的圖像替代原來(lái)的損失函數(shù)圖，并記為,,得到SVM損失函數(shù)如下： 將邏輯回歸...
-
吳恩達(dá)機(jī)器學(xué)習(xí)—機(jī)器學(xué)習(xí)系統(tǒng)的構(gòu)建引例——垃圾郵件分類 我們?nèi)绾螌⒗]件和普通郵件分開(kāi)呢，將垃圾郵件標(biāo)記為1，普通郵件標(biāo)記為0。我們首先要做的就是定義一下特征x,有了這些特征，我們就可以通過(guò)訓(xùn)練分類器，將垃...
-
吳恩達(dá)機(jī)器學(xué)習(xí)—應(yīng)用機(jī)器學(xué)習(xí)的建議以上每一種方法都可能需要大量的時(shí)間來(lái)完成，而且你并不能保證采用的而方法是否真的有效，因此，就要利用機(jī)器學(xué)習(xí)診斷，機(jī)器學(xué)習(xí)診斷也可排除以上大部分的bug原因。 評(píng)估假設(shè) 如何評(píng)...
-
吳恩達(dá)機(jī)器學(xué)習(xí)—反向傳播算法代價(jià)函數(shù) 當(dāng)處理二分類問(wèn)題時(shí)，輸出值有一個(gè)，輸出結(jié)果為1或0；當(dāng)輸出值有多個(gè)時(shí)，輸出結(jié)果為一個(gè)向量。 神經(jīng)網(wǎng)絡(luò)的損失函數(shù)與邏輯回歸相似，但是神經(jīng)網(wǎng)絡(luò)的輸出單元不是一個(gè)，而是k...
-
吳恩達(dá)機(jī)器學(xué)習(xí)—神經(jīng)網(wǎng)絡(luò)非線性假設(shè) 若使用logistic回歸，通過(guò)在模型中加入很多高階項(xiàng)來(lái)進(jìn)行非線性分類問(wèn)題。若只有兩個(gè)特征，則可以構(gòu)建所有可能的特征變量來(lái)進(jìn)行擬合。但是當(dāng)特征不是二維，而是很多維...