学习

一文读懂自监督学习公众号关注“视学算法”设为“星标”，DLCV消息即可送达！来自|知乎作者丨Sherlock来源丨https://zhuanlan.zhihu.c…

图数据的自监督学习介绍深度学习在解决许多复杂的机器学习问题方面一直是一个有趣的课题，特别是最近在图数据方面。然而，大多数的解决方案要么是监督或半监督，高度依赖于数据中的标签，导致过拟合和整体鲁棒性较弱。自监督学习(Self-SupervisedLearning,SSL)是一种很有前途的解决方案，它从无标记数据中挖掘有用的信息，使其成为图数据领域中一个非常有趣的选择。为什么自监督学习更适合图形数据?SSL有助于理解图形数据中存在的结构和属性信息，使用标记数据时可能会忽略这些信息对于现实世界的数据，获取带标签的图形数据非常

监督学习、无监督学习、半监督学习、强化学习、自监督学习一文读懂监督学习、无监督学习、半监督学习、强化学习四种方式 青烟王国 图：pixabay「机器人圈」导览：一般说来，训练深度学习网络的方式主要有四种：监督、无监督、半监督和强化学习。在接下来的文章中，机器人圈将逐个解释这些方法背后所蕴含的理论知识。除此之外，机器人圈将分享文献中经常碰到的术语，并提供与数学相关的更多资源。本文编译自硅谷著名的风险投资机构安德森霍洛维茨基金，作…

人工智能-深度学习-手写数字识别[通俗易懂]1.准备数据手写数字识别的特征集是一组数值为0-9,大小为28*28矩阵的图片,标签为与之对应的数字:数据位置在:手写数字识别数据集2.将数据格式化为npz文件”””将图片和标签整理为npz文件”””importnumpyasnpimportosfromPILimportImageimportjson#读取图片#存到npz文件中的为28*28的矩阵列表train_file_path=”nums/train_x/”

自监督学习详细介绍（学习笔记）一、相关文献：fast.ai上面关于自监督学习的资料：Self-supervisedlearningandcomputervision.GitHub上面每年使用自监督学习的论文列表：AwesomeSelf-SupervisedLearning.相关微信推送二、自监督学习的介绍1.自监督学习的由来机器学习中基本的学习方法有：监督学习（supervisedlearning）、…

自监督：对比学习contrastive learning「建议收藏」对比自监督学习英文原文对比自监督学习导读利用数据本身为算法提供监督。对比自监督学习技术是一种很有前途的方法，它通过学习对使两种事物相似或不同的东西进行编码来构建表示。自监督方法将取代深度学习中占主导地位的直接监督范式的预言已经存在了相当一段时间。AlyoshaEfros打了一个著名的赌，赌在2015年秋季之前，一种无监督的方法将会在检测PascalVOC方面胜过有监督的R-CNN。但四年之后，他的预言现在已经实现了。目前，自监督方法（MoCo，Heetal.，2019）在Pasc

Unity3d菜鸟入门的学习路线–笔记1最近刚刚开始接触unity3d，因此想把自己的学习路线记录下来，方便自己以后总结。由于毕业论文的关系，需要使用Unity3D开发，做虚拟现实的应用，使用的设备是HTCvivepro产品。初始学习，由于没有基础，因此一团乱，总结一下目前看过的教程和书籍。1、开始看的是b站上极客学院讲解的unity3d的入门课程，对操作的界面有了初步的了解，不需要看完，看到编程之前就可以。2、由于需要使用C#编程…

偏态分布学习笔记（期望，中位数，众数）一：偏态函数分类（1）正态（期望=中位数=众数）（2）正偏态：也称为右偏态（期望>中位数>众数）（3）负偏态：也称左偏态(期望<中位数<众数)二：如何辨认正负偏态函数关键：看尾巴哪边长，左边尾巴长的成为左偏态（负偏态），反之右偏态（正偏态）三：关于期望，中位数，众数参考上面的草图：可以这样理解，（1）对于正偏态而言，数据大多分布在右侧，从而也就把期望与中位数往右侧移动。（2）对于负偏态而言，数据大多分布在左侧，从而也就把期望与中位数往左侧移动。…

一文看懂半监督学习(Semi-supervised Learning)和自监督学习(Self-Supervised Learning)1.机器学习学习任务1.1监督学习根据输入-输出样本对L={(x1,y1),⋅⋅⋅,(xl,yl)}L=\{(x1,y1),···,(xl,yl)\}L={(x1,y1),⋅⋅⋅,(xl,yl)}学习输入到输出的映射f:X−>Yf:X->Yf:X−>Y,来预测测试样例的输出值。SL包括分类(Classification)和回归(Regression)两类任务，分类中的样例xi∈Rmx_i∈R^mxi​∈Rm(输入空间)，类标签yi∈{c1,c2,⋅⋅⋅,cc}y_i∈\{c_1,c

深度学习入门系列1：多层感知器概述本人正在学习《deeplearningwithpython》–JasonBrownlee，有兴趣的可以一起学习。人工智能系列1：多层感知器概述待更新：人工智能系列2:用Keras构建你的第一个神经网络人工智能系列3:深度学习模型性能评价人工智能系列4:使用keras模型与scikit-learn进行通用机器学人工智能系列5:项目：花种的多分类人工智能系列6:项目：声纳二分类人工智能系列7:项目：波士顿房屋价格回归人工智能系列8:保存模型以便稍后进行序列化人工智能系列9:训练期.