1、MNIST
机器学习入门简单数据集,用于学习上手操作的数据集
MNIST数据集官网地址:
http://yann.lecun.com/exdb/mnist/
2、卷积神经网络(CNN:Convolutional Neural Network)
卷积神经网络:一种前馈神经网络,包含卷积层(alternating convolutional)和池层(pooling layer)
CNN 基本结构包括两层。
特征层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征
映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。
CNN用途:识别位移、缩放吉其他形式扭曲不变形的二维图形
CNN详解链接:
http://www.36dsj.com/archives/24006
http://blog.csdn.net/stdcoutzyx/article/details/41596663/
3、递归神经网络(RNN)
递归神经网络:时间递归神经网络(recurrent neural network)和结构递归神经网络(recursive neural network)。反馈神经网络
神经网络主要特征:大规模的并行处理、分布式的信息存储、良好的自适应性、自组织性、以及很强的学习能力、联想能力和容错能力。在自然语言理解(NLP)、图像识别、指鞥机器人控制方向有优势。
神经网络根据连接方式划分:
前馈(前向)神经网络:函数映射,用于模式识别和函数逼近
反馈(反向)神经网络:实现联想记忆和求解优化等问题
神经网络根据连接权获取方式划分:
有监督神经网络:在网络训练往往要基于一定数量的样本。实际输出和期望输出值作比
无监督神经网络:在网络中根据其特有的结构和学习规则,连接权值和阀值的调整,以表示外部输入的某种固有特征
固定权值神经网络:网络不需要进行学习,权值是根据要解决的问题实现决定的。如:HopField网络、 细胞神经网络、 双向联想记忆等,主要用在优化计算、联想记忆和模式识别等
RNN详解链接:
http://www.cnblogs.com/ooon/p/5594428.html
http://blog.csdn.net/aws3217150/article/details/50768453
4、曼德洛布特集合
曼德布洛特集合:一种在复平面上组成分形的点的集合。
曼德布洛特集合详解链接:
https://msdn.microsoft.com/zh-cn/library/azure/jj635753.aspx
5、偏微分方程(微积分)
偏微分方程:微分方程中出现的未知函数只含一个自变量,如果一个微分方程中出现多元函数的偏导数,或者说如果未知函数和几个变量有关,而且方程中出现未知函数对应几个变量的导数,那么这种微分方程就是偏微分方程
偏微分方程详解链接:
http://open.163.com/special/opencourse/equations.html
微分方程教学(网易公开课):
6、字词的向量表示(Word Eembedding)
向量空间模型 (VSMs)将词汇表达(嵌套)于一个连续的向量空间中,语义近似的词汇被映射为相邻的数据点。
向量空间模型的核心思想:出现于上下文情景中的词汇都有相类似的语义。采用分布式假设的研究方法大致分为以下两类:基于计数的方法 (e.g. 潜在语义分析), 和 预测方法 (e.g. 神经概率化语言模型).
Word2vec是一种可以进行高效率词嵌套学习的预测模型。其两种变体分别为:连续词袋模型(CBOW)及Skip-Gram模型。
以上内容为学习笔记,iOS沪上代码小子记。想了解更多详细内容,尽情继续关注当前公众号,或者Google,百度即可。如有问题,欢迎反馈,希望文章能对大家有所帮助。