La maîtrise de la langue C sont toujours dans les algorithmes d'apprentissage machine de transition tombent souvent sur la route? AI comprendre le modèle logique, mais sont données après chaque changement pseudo-code?

Vous probablement une pierre d'achoppement pour la Python syntaxe que étrange, il se grattent la tête pour le traitement de l'ensemble de données.

À ce moment, nous devons revenir aux concepts de base - en commençant par des vecteurs, des matrices, lire le langage apprentissage machine.

Où différent?

langage de programmation C en général, principalement pour le traitement des données avec le pointeur.

Se familiariser avec les étudiants savons tous, la soi-disant mémoire, en fait, peut être considéré comme un hôtel dispose de nombreuses chambres, les données présentes dans la salle dans un ordre spécifique. Le pointeur est le numéro de la maison de la pièce. Publié chaque instruction est basée sur le nombre de porte correspondant frapper, mais pas avant chaque traitement, eu une bonne compréhension des données spécifiques de la pièce.

Mais l'apprentissage, mais cela est tout à fait différente logique et la machine. Si le premier est l'interprétation de la loi, l'apprentissage de la machine est l'induction, les modèles d'apprentissage automatique pour le plus important, est de comprendre l'unité de données elle-même.

En reconnaissance d'image, le modèle afin d'identifier correctement le chien, vous devez savoir est ce que les points caractéristiques de chaque image contient des données de chien, ces points caractéristiques et les chats, et les gens, et comprend des tables et des chaises Quelle est la différence, de sorte que la carte les chiens deviennent les yeux des ordinateurs chiens.

Dans ces opérations, la règle logique informatique. Dans l'image de l'ordinateur extraction de caractéristiques, apprendre le premier tour, nez noir, oreilles pointues, des objets griffes rétractables sont des chats, et la langue, les oreilles d'effondrement, le visage long d'un chien. Quant à la façon de déterminer les oreilles de l'effondrement du modèle et les oreilles pointues, il est difficile de donner une réponse définitive.

Nous avons le plus de possibilités de contrôle et de contrôle, par le signal de modèle de formation enrichissante, de sorte que l'ordinateur dans leur logique de raisonnement, étant donné que nous voulons des réponses.

Cela signifie que, dans l'apprentissage de la machine, nous avons besoin des choses plus flexibles, de sorte que la machine peut être un lien entre les différentes données sont pondérées, mais pas le seul point. Telle est la signification de l'utilisation de vecteurs.

Vecteurs et matrices

Dans les algorithmes d'apprentissage machine, nous avons plusieurs éléments de préoccupation.

Premier ensemble de données qui, en tant que signal d'entrée (entrées), en fonction des besoins de la phase d'apprentissage, le modèle est divisé en un ensemble de jeu d'apprentissage et de validation, l'ensemble de test.

Le second est le vecteur. Bien que dans des contextes différents, ce qui signifie des vecteurs varient, mais ne nous empêche pas il se résume en une quantité contenant amplitude et la direction. Ainsi, le vecteur portant la logique sera en mesure de données de poids et de poids, de sorte que les ensembles de données sont entrées dans le codeur, la matrice est formée, les suivis dans le calcul du modèle de réseau neuronal.

Et ce grand tableau, généralement dans une matrice.

Le soi-disant matrice (Matrix), est certainement pas « The Matrix » dans l'agent de mal de la matrice, mais il a un potentiel à cet égard. Selon une matrice est un tableau rectangulaire de jeu de nombre complexe ou réel arrangé, dans lequel le modèle de calcul peut faire référence à beaucoup de choses.

Cet exemple 3 X 3 matrice, qui peut faire référence à une couleur d'objet est rouge, ce qui peut indiquer la position de l'objet 5 est.

La matrice est placé dans l'algorithme de réseau neuronal, généralement on se réfère au vecteur de combinaison en tant que jeu de données.

Pourquoi utiliser MATRIX-il? Tout d'abord, nous le savons tous, un seul vecteur lui-même est un 1 x n matrice. Ensuite, en Python, le système peut opération directement Numpy entre la matrice. En conséquence, nous continuons d'éviter l'utilisation de l'unité de données génération retour à la formule pour le cycle, afin d'améliorer l'efficacité opérationnelle.

Comment lire?

Comprendre l'importance des vecteurs et des matrices, en lecture seule la première phase d'apprentissage de stepper, continuer le long de cette route, la nécessité inévitable de renforcer la fondation.

Dans de nombreux tutoriel d'introduction apprentissage automatique, de nombreux auteurs ont fourni leur reconnu l'algèbre linéaire cours.

Un réseau appelé @SEFDstuff petit frère à la classe ouverte fournit plusieurs liens sur des vecteurs et des matrices dans son intérieur du canal YouTube.

Vector (expliquée avec l'algèbre linéaire):

https://www.khanacademy.org/math/linear-algebra/vectors-and-spaces

Vecteur (expliqué avec PRECAL):

https://www.khanacademy.org/math/precalculus/vectors-precalc

Matrix:

https://www.khanacademy.org/math/precalculus/precalc-matrices

Pas sur le mur, les doigts se déplacent un peu, vous prenez la première machine à l'étape d'apprendre à lire!

Lire Xinjunkaiba

Lire l'apprentissage de la machine, le besoin de construire votre propre dictionnaire

Obtenir l'apprentissage de la machine est pas difficile, mais ne pas besoin de repartir à zéro.

Maître Python est important, mais l'apprentissage de la machine Python, mais seulement une partie de ce dictionnaire massif, alors que le reste de la grande majorité du contenu, encore à découvrir.

Le processus d'excavation est d'apprendre des autres et le processus de recherche de code. L'utilisation de ces tensorflow, PyTorch un tel cadre d'apprentissage de la machine, la première étape dans l'apprentissage ouvert serait un bon choix.

Vous savez, quand vous avez vraiment commencé à écrire le modèle de réseau de neurones, vous pouvez vraiment identifier les problèmes et trouver des solutions pour obtenir le pouvoir. Votre dictionnaire d'apprentissage de la machine, il ne restera pas toujours dans le niveau superficiel.

Auteur: brise Sheep

Linking Référence:

https://www.leiphone.com/news/201804/wmYdmBLjATQZoH7c.html?viewType=weixin

Pour réimprimer, s'il vous plaît laisser un message dans les coulisses, se conformer aux normes de réimpression