原创 多視角半監督學習：從文本數據中得到不同視角
摘要： 監督機器學習方法通常要求大量有標記數據已獲得高的準確性。本文是講述對於文本分類人任務包含在線數據源，例如網頁頁面，email和科學文章。半監督學習代表了監督和無監督學習的折中。多視角半監督學習要求一個每個樣本的描述被劃分
2020-06-17 17:00:24
原创 理解深度卷積網絡
1 如何分類貓和狗？ 在Kaggle的Cat & Dogs比賽中，提供一系列有貓和狗標記的圖像。訓練集包含25000張關於狗和貓的圖片，測試集包含12500圖片。 圖像有不同的分辨率，貓和狗有不同的形狀，位置，顏色。可能坐着，
2020-06-17 17:00:24
原创 手機端開發深度學習應用
第一步模型壓縮 將深度學習模型應用到手機、嵌入式設備，我們應該減少模型內存封裝，減少推斷時間和減少能源使用。有許多方式解決這些問題，例如量子化，權重簡直或者distilling 大模型到小模型. 本文使用在Tensorflow
2020-06-17 17:00:23
原创 標籤傳播（閱讀筆記）
本主題的結構： 第2章：以一個簡單的標籤傳播算法爲例，在圖中傳播標籤。之後會討論多種變形 第三章：討論如何建立圖。 第四章：在概率框架下構建標籤傳播使用高斯隨機域。引入圖拉普拉斯和諧波函數。也會介紹和electric net
2020-06-17 17:00:23
原创 結合圖拉普拉斯的半監督學習
摘要：在半監督學習中一個基本的問題是對於潛在數據如何建造圖。我們提出使用結合一系列不同的構造圖方法。我們計算最優的結合核函數。這個核解決了一個拓展的regularization問題，其要求一個共同最小包括數據和圖核集合。我們呈現很
2020-06-17 17:00:23
原创 tensorflow 特徵預處理總結
本文總結幾種出現在tensorflow 的 feature_column api 的處理函數 1. feature_column 主要是連接數據和tf.estimator 之間的橋樑，將原始數據中的一些離散型、類別型特徵轉化成tensor
2020-06-17 17:00:13
原创 分析高階問題
摘要：當前方法經常使用單階設定當處理序列標籤任務。在本工作中，order意味着標籤的個數，包含在每個時間步中的預測。高階模型試圖去捕獲更多依賴信息在這些標籤之間。我們首先提出一個簡單方法就是低階模型可以簡單的拓展到高階模型。驚奇的
2020-02-20 21:37:48
原创 實踐線性模型對於大規模一類別協同過濾
摘要：協同過濾是對於個性化推薦問題的方法。然而，一個困難的場景是在時間中對於one-class協同過濾（OC-CF）,一個用戶更偏愛有Item的例子。在這種例子中，個性化的推薦算法高度可以縮放。現存的OC-CF線性推薦系統在標準任
2020-02-20 21:37:48
原创 元數據嵌入對於用戶和項目冷啓動推薦系統
摘要：本文呈現一個混合矩陣分解模型表達用戶和item使用它們當前特徵的隱藏因子的線性結合。模型優於協同過濾和基於內容的模型在冷啓動或者稀疏交互數據場景（使用用戶和item元數據），和純推薦系統其中交互數據是充足的表現相當。額外，由
2020-02-20 21:37:48
原创 理解SSD多盒-實時目標檢測
這幅圖片解釋了構成直觀的解釋關於SSD多盒目標檢測技術。 自從AlexNet在2012年ILSVRC比賽中對於圖像識別任務打敗傳統計算機視覺方法後給研究界帶來風暴。在計算機視覺領域，傳統神經網絡在圖像分類表現出色，包含分類圖
2020-02-20 21:37:48
原创 基於C4.5神經網絡集成
最近Hinton提出使用決策樹來解釋神經網絡。看到周志華老師04年論文，遂做點筆記 原文：NeC4.5: Neural Ensemble Based C4.5 決策樹具有很好的理解能力，神經網絡集成具有很好的泛化能力。本文將兩
2020-02-20 21:37:48
原创 乘法更新規則對於併發的非負矩陣分解和最大間隔分類
摘要：使用非負矩陣分解的分類方法，使用兩個連貫的獨立步驟，第一個是完成數據轉變（降維），第二個使用分類方法分類轉變後的數據，例如最近鄰/中心 或者支持向量機。接下來我們關注在使用NMF接着SVM分類。這兩步驟的參數，也就是NMF基
2020-02-20 21:37:47
6
原创 推薦系統表現在前N推薦任務
摘要：前N推薦任務，目標是找到一些特定Item其被認爲對用戶最有吸引力。普通的方法基於錯誤矩陣（例如RMSE）不是很自然的適應對於蘋果錢N推薦任務。前N抱歉可以直接由基於進度指標的可選擇方法度量。 一個廣泛的評估顯示算法對於最小
2020-02-20 21:37:47
原创 姿態識別
摘要：利用深度卷積網絡的成功，當下效果最好的方法對於人體姿態估計來說主要關注在深度端對端系統上，給定原始圖像像素來預測3d關節定位。這方法不容易理解系統遺留的錯誤是來自受限的2d姿勢（可視）理解，或者是從2d映射到3d的誤差。
2020-02-20 21:37:47
4