- 博客(8)
- 收藏
- 关注
RSS订阅转载 认知医疗
说到医疗人工智能大数据的前景时，我们首先想到的是，这些黑科技准确率达到多少时才会有大规模的应用？从技术原理上来说，其智能诊断是经过3大步骤训练出来的。知识抽取：类似医生记忆医学知识。医疗AI的首要任务是构建医疗知识图谱进而支撑一系列的应用。知识图谱一直是各大AI公司的必争之地，相比较Google、Baidu等巨头基于Wikipedia、百科等半结构化站点
2017-01-18 22:59:00
1372
转载 Theano中的LSTM代码解析
阅读本文需要一定的Python,lstm和Theano的基础知识。Theano是一种符号语言，它的优点在与它的自动求导机制以及GPU的透明性，缺点在于调试时极为不便。基于Theano开发的Deep Learning代码一般分为四个部分：数据准备，模型建立，预训练和训练，测试。代码按照这个顺序进行分析。Theano的LSTM代码见https://github.com/lisa-l
2017-01-07 22:53:37
1709
转载 IntelliJ IDEA 15 破解方法（
总结也就是以下步骤：1 首先下载补丁：http://15.idea.lanyus.com/jar/IdeaPatch.jar。 备用链接：http://pan.baidu.com/s/1i3HEP6X2 找到idea安装目录下的lib\idea.jar to D:\idea.jar文件并复制到D盘目录下。3 打开控制台(cmd)，运行下好的补丁IdeaPatch.jar，
2015-12-07 18:52:01
1750
转载 结构风险最小化
VC 维在有限的训练样本情况下，当样本数 n 固定时，此时学习机器的 VC 维越高学习机器的复杂性越高。VC 维反映了函数集的学习能力，VC 维越大则学习机器越复杂(容量越大)。 所谓的结构风险最小化就是在保证分类精度（经验风险）的同时，降低学习机器的 VC 维，可以使学习机器在整个样本集上的期望风险得到控制。 推广的界（经验风险和实际风险之间的关
2015-12-02 10:40:04
2694
转载 如何使用交叉验证(cross-validatation)
如何使用Cross-Validation写这份文件，最主要的目的是介绍如何正确的使用cross-validation，并举例一些常犯的错误。假设您对pattern recognition已经有基础的认识，希望这份文件对您论文中的实验内容能有所帮助。 在pattern recognition与machine learning的相关研究中，经常会将dataset分为trai
2015-12-02 10:38:39
1044
转载 交叉验证之我见
常用的精度测试方法有交叉验证，例如10倍交叉验证(10-fold cross validation)，将数据集分成十分，轮流将其中9份做训练1份做测试，10次的结果的均值作为对算法精度的估计，一般还需要进行多次10倍交叉验证求均值，例如10次10倍交叉验证，更精确一点。当训练样本数目过少，采用“交叉验证法”（cross validation）.交叉验证法分两种：
2015-12-02 10:09:12
1323
转载 常用显著性检验
1.t检验 适用于计量资料、正态分布、方差具有齐性的两组间小样本比较。包括配对资料间、样本与均数间、两样本均数间比较三种，三者的计算公式不能混淆。 2.t'检验 应用条件与t检验大致相同，但t′检验用于两组间方差不齐时，t′检验的计算公式实际上是方差不齐时t检验的校正公式。 3.U检验 应用条件与t检验基本一致，只是当大样本时用U检验，而小样本时则用t检验，
2015-12-02 09:12:55
38935
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人