模型評估的相關(guān)方法詳解。模型評價(jià)是指對于已經(jīng)建立的一個(gè)或多個(gè)模型，根據其模型的類(lèi)別，使用不同的指標評價(jià)其性能優(yōu)劣的過(guò)程。常用的聚類(lèi)模型評價(jià)指標有ARI評價(jià)法（蘭德系數）、AMI評價(jià)法（互信息）、V-measure評分、FMI評價(jià)法和輪廓系數等。常用的分類(lèi)模型評價(jià)指標有準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1值（F1 Value）、ROC和AUC等。常用的回歸模型評價(jià)指標有平均絕對誤差、均方根誤差、中值絕對誤差和可解釋方差值等。

深度學(xué)習基礎知識詳解。

最近不上班，在家閑的要死，整理一下 aaai2020 對話(huà)相關(guān)的論文，后續組內會(huì )組織分享，可以好好學(xué)習一下。

本文提出在利用 GAN（對抗網(wǎng)絡(luò )）的方法時(shí)，在生成模型G和判別模型D中都加入條件信息來(lái)引導模型的訓練，并將這種方法應用于跨模態(tài)問(wèn)題，例如圖像自動(dòng)標注等。

監督學(xué)習方法可以分為生成方法和判別方法,所學(xué)到的模型分別為生成模型和判別模型.

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？

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).

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.