深度学习和视觉的基础数学知识
- 线性变换和非线性变换
- 点积和投影
- 矩阵乘法的几何意义
- 本征向量和本征值
- 奇异值分解
- 线性可分性和维度
- 非线性变换
- 概率论
- 条件概率和独立
- 期望值、方差和协方差
- 熵
- 最大似然估计
- KL散度
- 维度诅咒
- 采样和维度
- 高维空间中的体积和距离
- 中心极限定理
- 数据实际的维度
- 局部泛化
- PCA
- 其他降维手段
- 卷积
-
- 优化基础
- 梯度下降法
- 冲量
- 牛顿法
- 学习率和自适应步长
- AdaGrad
- 损失函数
- 逻辑回归
- Softmax
- 链式求导法则
线性变换和非线性变换
点积和投影
矩阵乘法的几何意义
本征向量和本征值
奇异值分解
线性可分性和维度
非线性变换
概率论
条件概率和独立
期望值、方差和协方差
熵
最大似然估计
KL散度
维度诅咒
采样和维度
高维空间中的体积和距离
中心极限定理
数据实际的维度
局部泛化
PCA
其他降维手段
卷积
点积和卷积
一维卷积和二维卷积
卷积计算
优化基础
梯度下降法
冲量
牛顿法
学习率和自适应步长
AdaGrad
损失函数
逻辑回归
Softmax
链式求导法则
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)