在實(shí)際生活中，常常會(huì )出現一部分樣本有標記和較多樣本無(wú)標記的情形，例如：做網(wǎng)頁(yè)推薦時(shí)需要讓用戶(hù)標記出感興趣的網(wǎng)頁(yè)，但是少有用戶(hù)愿意花時(shí)間來(lái)提供標記。若直接丟棄掉無(wú)標記樣本集，使用傳統的監督學(xué)習方法，常常會(huì )由于訓練樣本的不充足，使得其刻畫(huà)總體分布的能力減弱，從而影響了學(xué)習器泛化性能。那如何利用未標記的樣本數據呢？

轉眼間2019年已經(jīng)過(guò)去了半年多,回顧前半年的,多多少少還是有點(diǎn)收獲的.

VARIATIONAL RECURRENT AUTO-ENCODERS 筆記

Auto-Encoding Variational Bayes論文筆記

主要是為了列個(gè)機器學(xué)習相關(guān)的提綱,方便對已經(jīng)學(xué)過(guò)的知識進(jìn)行整理,相同的知識點(diǎn),每次或者每個(gè)階段都會(huì )有不同的想法,而我需要做的就是把自己的想法寫(xiě)下來(lái).

本人使用了樹(shù)莓派作為了家里一直吃灰的服務(wù)器，想讓樹(shù)莓派上面的東西外網(wǎng)可以訪(fǎng)問(wèn)(博客也是部署在樹(shù)莓派上面的),所以就有了 frp 內網(wǎng)穿透這一說(shuō)法。

Dropout是用于防止過(guò)擬合和提供一種有效近似聯(lián)結指數級不同神經(jīng)網(wǎng)絡(luò )結構的方法,能夠有效的緩解深度網(wǎng)絡(luò )的過(guò)擬合現象.