那么,欺诈检测究竟是怎么做的,用机器学习和神经网络的方法分别怎么做。
竟特意拿出果蝇来举例。MNIST,Hinton读作"艾姆尼思特",懒得打音标了。
We now have neural nets with approaching 100 million parameters in them that can recoginze 1000 differ...
这一章并不是很明白,不过反正不是重点。为什么我在这里想到了隐马和维特比算法?就是在求最有可能的序列。
uses many layers of binary neurons. binary neuron就是输出只有两个分类的意思吧。
这个视频讲生物的神经网络。
名词解释:
axon:轴突
dendritic tree:树突
axon hillock:轴丘
synapse: 突触
参考百度百科
轴突发送信号,树突收集信号,突触就是轴突和树突传递信号的地方,轴丘我的理解是轴突上产生信号的地方。
高中生物的内容了,就是讲的传递的过程。
突触具有适应性,学习的过程就是在改变突触。
总共有$10 ^ {15}$个weights
这里讲到了那个经常被提起的例子,对于原本属于听觉的脑区,切断与耳朵的输入,反而加上视觉的输入,最终,这个脑区长成了和视觉神经相同的样子。描述可能不太准确,但大概就是这个意思。
扯到科学方法论了,不过确实很有道理。
注意和前面sigmoid的区别
现在是随机的weights,后面就开始训练了。
7和9的下半部分并不明显,说明训练的模型主要依靠上半部分来进行区分。
没有一个模版template能够fit绿框中的2,却不fit红框中的3
课程前半段讲Supervised learning, 后半段讲Unsupervised learning, 不会讲Reinforcement learning
这里讲到reinforment learning 一般只有几十至几千个参数,因为a scalar reward does not supply much information
PCA是一种线形方法,假设有一个流形,这个流形恰好是高维中的一个平面?
In [ ]: