Posts

  • 异构网络挖掘 - 目录

    本文内容基于 Prof. Jiawei HanUIUC CS512: Data Mining: Principles and Algorithms (Spring 2017) 课程的Chapter 2。主要基于幻灯片内容做概要性介绍,以后有机会将对其中的若干特定算法另撰文章详细介绍。

  • 东西文化之根本差异及未来发展

    近日,有幸拜读了梁漱溟先生所著的《东西文化及其哲学》一书。此书初版于1922年,为梁先生29岁时的作品,距今已逾近百年。虽然今日的中国与梁先生著书时的民国初期相比已经大有不同,然拜读此书之时,仍时常有振聋发聩之感。梁先生对东西方(具体而言,是西方、中国和印度)的文化、宗教及哲学做了真知灼见的解读,以及对东方化、西方化和世界文明的未来提出了自己的独到观点。很多观点在今日看来,仍有相当现实的意义所在。接下来,本文即冒昧对梁先生在书中所发表的若干主要见解进行评述。

  • 增强学习(Reinforcement Learning)简介

    增强学习(Reinforcement Learning)是介于有监督学习和无监督学习之间的一种方式。在有监督学习中对于每个训练样本都有对应的标签,无监督学习完全没有标签,而增强学习则有稀疏且时延的标签(即奖励)。智能体基于奖励在环境中进行动作。

  • 生成对抗网络(GANs)与深度卷积生成对抗网络(DCGANs)

    生成对抗网络(Generative Adversarial Networks, GANs)是无监督学习的一个比较新的分支,由Ian Goodfellow等于2014年提出,其优秀的性能很快获得了学界的普遍关注。

  • 深度信念网络(Deep Belief Networks, DBNs)

    深度信念网络(Deep Belief Networks, DBNs)由Geoffrey Hinton于2006年提出,是一种经典的深度生成式模型,通过将一系列受限玻尔兹曼机(RBM)单元堆叠而进行训练。这一模型在MNIST数据集上的表现超越了当时流行的SVM,从而开启了深度学习在学术界和工业界的浪潮,在深度学习的发展历史中具有重要意义。尽管随着大量表现更好的深度学习算法的出现,深度信念网络已经很少使用,但其理论的优美性、方法的开创性和历史意义的重要性使得本文仍将对其进行较细致的介绍。

  • HopField网络与受限玻尔兹曼机(RBM)

    本文简要介绍HopField网络和受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)的原理。

  • 使用低秩表示(LRR)进行图像去噪

    上一篇文章介绍了LRR及相关方法的基本原理。现在,我们使用Extended Yale Face Database B数据集对LRR进行图像去噪能力的测试。参考(Liu, 2010)的方法,从数据集中去掉了光线条件较为极端的图片。同时出于计算效率的考虑,我们选用了100张图片,并将图片大小调整至宽42像素,高48像素。

  • Robust PCA,稀疏子空间聚类(SSC)与低秩表示(LRR)

    低秩表示(Low-Rank Representation, LRR)方法由Liu等于2010年提出,是用于解决子空间分割等问题的一种有效方法,通过在Robust PCA的基础上引入子空间聚类的思想,加入字典项使Robust PCA中的单一低秩子空间变为多个子空间的集合,从而达到更好的效果。

  • 基于RNN的变分自编码器(施工中)

    (在这篇文章之前,你需要了解一些关于RNN的内容,推荐这篇

  • 变分自编码器(Variational Autoencoder, VAE)

    关于自编码器的概念和变分自编码器的实现,可以参考这里。关于变分自编码器的一篇更详细的介绍见这里

  • 第一篇测试文章

    Hello, Github pages & jekyll!

subscribe via RSS