17计算机实验班模式识别-
第二次作业
本次课程的课上和复习笔记我都手写记录了，我将其以pdf的形式保存在云端，老师可以下载查看。内容包括：1.模式识别的基本概念；2.基于距离的分类器；3.概率分类法；4.支持向量机（线性判据）5.人工神经网络基础 链接：https://pan.baidu.com/s/1tegmqXK715U1scg1x -
机器学习第四章学习笔记
惯例开始的废话 真的不开学了吗，家里蹲一学期？顶不住了 作业part2 第三章写过了，就写写第四章的学习笔记吧 第四章主线 生成模型 第三章主要介绍的贝叶斯决策是生成模型，而生成模型有优势，但是也有诸多的劣势 譬如高纬需要大量样本，但是随着维度的升高，样本的量是指数级增长。所以对于一些复杂情况，就需 -
第二次作业
传送门： "第一章笔记" "第二章笔记" "第三章笔记" "第四章笔记" -
机器学习第二次作业
第一章节 导图 知识点总结归纳 第一节 模式识别的应用实例 分类与回归 分类：输出量是离散的表达 （二类/多类分类） 回归：输出量是连续的信号表达 （单个/多个维度） 第二节 模型 用于回归 特征提取：从原始输入获取有效信息 回归器：将特征值映射到回归值 用于分类 分类器：回归器+判别函数 -
第一次作业
关于“神经形态芯片”不得不说的那些事 介绍 神经形态芯片是仿照生命体神经架构来设计超大规模的集成电路（VLSI）的硬件电子技术。由VLSI的发明者卡佛米德首先提出。在实验中，他发现细胞中离子通道和电子三极管具有十分相似的电压——电流关系。故而提出用模拟电路搭建硅神经元去模仿生物神经结构的脉冲特性，试 -
机器学习第一次作业
1.人工智能领域的前沿技术介绍 深度强化学习 深度强化学习将深度学习的感知能力和强化学习的决策能力相结合，可以直接根据输入的图像进行控制，是一种更接近人类思维方式的人工智能方法。深度学习具有较强的感知能力，但是缺乏一定的决策能力；而强化学习具有决策能力，对感知问题束手无策。因此，将两者结合起来，优势 -
第一次作业
人工智能领域的前沿技术介绍、展望、应用————类脑计算算法 类脑计算 类脑研究是世界各大国间竞争博弈的战略重点，正进一步促成脑科学与计算机等多种学科的交叉融合，带动新一轮的科技革命，以信息手段加速人类对大脑的认知、模拟及融合，有望为人类构建能力强大的“超级大脑”. 类脑研究主要以“人造超级大脑”为目 -
机器学习第一次作业
机器学习领域前沿技术——深度学习 深度学习是机器学习研究中的一个领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习是无监督学习的一种。 深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特 -
机器学习第一次作业
机器学习等人工智能领域的前沿技术介绍、展望、应用 自动化机器学习（AutoML） AutoML出现原因 机器学习的应用需要大量的人工干预，这些人工干预表现在：特征提取、模型选择、参数调节等机器学习的各个方面。AutoML 试图将这些与特征、模型、优化、评价有关的重要步骤进行自动化地学习，使得机器 -
第一次作业
介绍 在过去的时间中，信息检索(Information Retrieval IR)在信息系统领域中占有重要地位，这是由于数字形式的文档的可用性不断提高，以及灵活访问它们的需求。文本分类（Text categorization TC），又称主题识别(Topic Spotting)。其主要任务之一是用预