62 Matching Annotations
  1. Jan 2017
  2. exacity.github.io exacity.github.io
    机器学习基础
    43
    7. zplin 27 Jan 2017
      机器学习中的一个循环问题是大的数据集是好的泛化所必要的

      机器学习中反复出现的一个问题是好的泛化需要大的训练集，

    10. zplin 27 Jan 2017
      并非简单地回归到最大似然学习，我们仍然可以通过先验影响点估计的选择而获取贝叶斯方法的优点。

      我们仍然可以让先验影响点估计的选择而利用贝叶斯方法的优点，而不是简单地回归到最大似然估计

    12. zplin 27 Jan 2017
      虽然使用完整的贝叶斯后验分布进行参数θθ\Vtheta预测是非常合理的，但仍常常希望能够进行单点估计。

      原则上，我们应该使用参数\theta的完整贝叶斯后验分布进行预测，但单点估计常常也是需要的

    16. zplin 25 Jan 2017
      感兴趣输出的变动只位于流形中的方向，或者感兴趣的变动只发生在我们从一个流形移动到另一个流形的时候

      的输出中，有意义的变动都沿着流形的方向或仅当我们切换流形时

    21. zplin 19 Jan 2017
      假设数据由\emph{因素或特征组合}，潜在地由层次结构中多个层级产生

      假设数据由因素或特征组合产生，这些因素或特征可能来自一个层次结构的多个层级

    22. zplin 19 Jan 2017
      一种棋盘

      checkerboard特指西洋跳棋盘，不是棋盘的统称。后面也说到we could easily solve the checkerboard task by providingthe assumption that the target function is periodic。之所以说是periodic就是因为西洋跳棋盘是黑白相间的

    23. zplin 18 Jan 2017
      许多不同的深度学习算法提出隐式或显式的适用于大范围人工智能问题的合理假设， 使其可以利用这些优势。

      为了利用这些优势，许多不同的深度学习算法都提出了一些适用于多种AI任务的或隐或显的假设

    26. zplin 18 Jan 2017
      只要我们在区间相关性上引入额外的数据生成分布上的假设

      只要我们通过额外假设生成数据的分布来建立区域间的依赖关系

    38. zplin 18 Jan 2017
      预测在所有点xx\Vx都有相同的kkk个训练集中最近邻点的区域上是不变的。

      当一个区域里的所有点x在训练集中的k个最近邻是一样的，那么对这些点的预测也是一样的。

    40. zplin 18 Jan 2017
      如果我们在输入xx\Vx处效果良好（例如，xx\Vx是一个有标签的训练样本），那么在xx\Vx的邻域上效果也良好

      如果我们知道对应x输入的答案（比如x是个有标签的训练样本），那么该答案对于x的领域应该也适用。

    41. zplin 17 Jan 2017
      函数$f^$满足条件 \begin{equation} f^(\Vx) \approx f^*(\Vx + \epsilon) \end{equation} 对于大多数设置xx\Vx和小变动ϵϵ\epsilon都成立。

      函数$f^$对于大多数设置x和小变动ϵ，都满足条件 \begin{equation} f^(\Vx) \approx f^*(\Vx + \epsilon) \end{equation} 。

    42. zplin 16 Jan 2017
      我们也可以非正式地探讨隐式表示的先验。 某些算法有偏地选择某类函数，即使这类有偏可能不能表示成（或者可能表示成）我们对不同函数偏好程度的概率分布。

      我们还能通俗地说，先验信念还间接地体现在选择一些偏好某类函数的算法，尽量这些偏好并没有通过我们对不同函数置信程度的概率分布表现出来（也许根本没法表现）。

    43. zplin 16 Jan 2017
      更非正式地，我们也可以探讨先验信念如何直接影响\emph{函数}本身，间接影响参数，作为参数与函数之间关系的结果

      更通俗地讲，我们也可以说先验信念直接影响函数本身，而仅仅通过它们对函数的影响来改变参数。

      discuss有talk about的意思 (Merriam-Webster)

    Visit annotations in context

    Annotators

    URL

    exacity.github.io/deeplearningbook-chinese/Chapter5_machine_learning_basics/
  3. exacity.github.io exacity.github.io
    深度前馈网络
    9
    2. zplin 29 Jan 2017
      以及不同领域间微小的迁移(transfer)。%此处难道是没有迁移吗？

      领域之间可借鉴之处微乎其微

      transfer应该是指knowledge transfer

    3. zplin 29 Jan 2017
      其中包括不同领域的（如语音识别或计算机视觉）专家

      从业人员各自善长特定的领域（如语音识别或计算机视觉）

    5. zplin 28 Jan 2017
      在不同训练点上取值的、含有噪声的的值。训练数据为我们提供了在不同训练点上取值的、含有噪声的的值。 训练数据为我们提供了在不同训练点上取值的、含有噪声的f^(\bm{x})的近似实例

      含有噪声的近似实例，即f*(x)在不同点上的值

    Visit annotations in context

    Annotators

    URL

    exacity.github.io/deeplearningbook-chinese/Chapter6_deep_feedforward_networks/
  4. exacity.github.io exacity.github.io
    前言
    10
    4. zplin 09 Jan 2017
      表示还存储着协助程序执行的状态信息，使输入更加有意义

      表示层还存储着状态信息用于帮助程序理解输入

      make sense of the input == explain the input

    5. zplin 09 Jan 2017
      一层的激活函数没有必要对解释输入的变化因素进行编码

      在某层激活函数里，并非所有信息都蕴函着解释输入的变化因素

    9. zplin 09 Jan 2017
      第一层可以比较相邻像素的亮度容易地识别边缘。

      第一层可以轻易地通过比较相邻像素的亮度来识别边缘

    Visit annotations in context

    Annotators

    URL

    exacity.github.io/deeplearningbook-chinese/Chapter1_introduction/