机器学习 _ 隐马尔可夫模型 HMM 1. 马尔可夫链 马尔可夫链是满足马尔可夫性质的随机过程。马尔可夫性质是无记忆性。 也就是说，这一时刻的状态，受且只受前一时刻的影响，而不受更往前时刻的状态的影响。我们下面说的隐藏状态序列就马尔可夫链。 2. 隐马尔可夫模型 隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，用它处理的问题一般有两个特征： 第一：问题是基于序列的，比如时间序列，或者状态序列。 第二：问题中有两类数据，一类序列数据是可以观测到的，即观测序列；而另一类数据是不能观测到的，即隐藏状态序列，简称状态序列，该序列是马尔可夫链，由于该链不能直观观测，所以叫“隐”马尔可夫模型。 简单地说，状态序列前项能算出后项，但观测不到，观测序列前项算不出后项，但能观测到，观测序列可由状态序列算出。 HMM 模型的主要参数是λ=(A,B,Π)，数据的流程是通过初始状态 Pi 生成第一个隐藏状态 h1，h1 结合生成矩阵 B 生成观测状态 o1，h1 根据转移矩阵 A 生成 h2，h2 和 B 再生成 o2，以此类推，生成一系列的观测值。 HMM 3. 举例 1) ...

机器学习 _ 集成算法 为什么使用集成算法   简单算法一般复杂度低，速度快，易展示结果，但预测效果往往不是特别好。每种算法好像一种专家，集成就是把简单的算法（后文称基算法/基模型）组织起来，即多个专家共同决定结果。 如何组织算法和数据   这里我们的着眼点不是某个算法，某个函数，而是对数据和算法整体的规划。   从数据拆分的角度看：可以按行拆分数据，也可以按列给属性分组。   从算法组合的成份看：可以集成不同算法，也可以集成同一算法不同参数，还可以集成同一算法使用不同数据集（结合数据拆分）。   从组合的方式看：可以选择少数服从多数，或加权求合（可根据正确率分配权重）。   从组合的结构看：可以是并行，串行，树型或者更复杂。   综上，我们看到了各种构造集成的方法，这里面可选的组合太多，不可能一一尝试，目前拼的还是人的经验：对数据的理解，对算法的组织，以及对工具的驾驶能力。在使用集成算法的过程中，除了调库，调参，更重要的是领会精神。也可以自己编写一些集成算法。 三个臭皮匠顶个诸葛亮   三个臭皮匠是否能顶诸葛亮，这还得具体问题，具体分析。如果基算法选错了，即使再怎么组合，再怎么调参也 ...

大数据竞赛平台——Kaggle 入门 #算法实战   在学习了一些数据挖掘和机器学习的算法之后，需要积累实际开发经验。在实践的过程中不仅需要自己摸索，还需要向牛人学习和请教。Kaggle 就提供这样的数据平台，企业或者研究者可以将数据、问题描述、期望的指标发布到 Kaggle 上，开发者其数据下载到本地，分析，处理后将结果上传，Kaggle 将结果排名显示，有的比赛设有资金。Kaggle 还有活跃的讨论区，供大家交流。 如何使用 Kaggle   我们先来看看，Kaggle 的具体使用方法。在竞赛界面中 https://www.kaggle.com/competitions，可看到比赛分类：Getting Start，Playground，Featured，Research 等（用不同颜色区分）．建议初学者从 Getting Start 级别开始，在这个级别上可以看到更多的教程和代码分享，题目也比较简单，适合入门． competitions   以参赛队最多的 Tinanic 沉船问题为例．https://www.kaggle.com/c/titanic．它的目标是预测乘客是否幸 ...

百度自动驾驶系统 Apollo 源码分析  Apollo（阿波罗）是百度今年发布的汽车自动驾驶系统，它是不是可以无人驾驶？安全性又如何保证？下面我们就来看看自动驾驶指的是什么，以及它是如何实现的． ##自动驾驶评级   先来看看什么是自动驾驶，2014 年，SAE International（国际汽车工程师协会）制订了一套自动驾驶汽车分级标准，其对自动化的描述分为 5 个等级。 自动驾驶评级   从辅助驾驶到全自动驾驶，都属于自动驾驶，只是级别不同，现在有很多车已经配置了定速巡航，自动泊车，这是从 L1 走向 L2 阶段；而 L3 是说人可以不进行主动驾驶，但需要时刻保持注意力；据说 Google 的 Waymo 自动驾驶系统已达到 L4 水平，它能在特定地理区域和条件下，完成整个动态驾驶任务．大家离 L5 还都有一段很长的路要走．百度的目标是 2019 年量产 L3 的汽车．   同样是自动，但是程度不同，具体要看：设计运行范围（operational design domain，简称 ODD），它包括地理位置、道路类型、速度范围、天气、时间、国家和地方性交通法律法规等等． 硬 ...

AlphaGo Zero 与增强学习  2017 年 10 月 19 日凌晨，DeepMind 在《自然》杂志上发表了一篇论文，正式推出人工智能围棋程序的最新版本——AlphaGo Zero． AlphaGo Zero 成长史   最初 AlphaGo Zero 除了围棋的基本规则以外，没有任何关于围棋的知识；  3 个小时之后，它通过自学入门围棋，成为人类初学者水平；  19 个小时之后，它自已总结出了一些＂套路＂，比如死活，打劫，先占边角等等；   自学第三天后，它战胜了 AlphaGo Lee（当初击败李世石的 AlphaGo 版本）；   自学第四十天后，它战胜了 AlphaGo Master（今年击败柯洁的 AlphaGo 版本）   与之前的 AlphaGo 版本相对，它不但提高了水平，而且节约了算力．   这还不是最重要的，最重要的是它只使用了增强学习，因此它的意义就不仅仅是赢得棋类比较这么简单了． 增强学习   先来看看什么是增强学习（Reinforcement Learning），我们知道机器学习分为有监督学习和无监督学习，增强学习介于它们两个之间，它关注的是智能 ...

深度学习 _ 总结篇 前篇总结 深度学习 _ 简介及相关概念 http://blog.csdn.net/xieyan0811/article/details/78401473 深度学习 _ 工具 http://blog.csdn.net/xieyan0811/article/details/78411882 深度学习 _BP 神经网络 http://blog.csdn.net/xieyan0811/article/details/78425453 深度学习 _ 卷积神经网络 CNN http://blog.csdn.net/xieyan0811/article/details/78438329 深度学习 _ 循环神经网络 RNN 与 LSTM http://blog.csdn.net/xieyan0811/article/details/78462982 朋友反馈说，看不懂 CNN 和 RNN 篇．文章确实因为篇幅原因，有点跳步了．不过我觉得主要原因还是跳过了前面的基础部分．我们很多时候喜欢直击重点，跳过过程，但是有的过程确实跳不过去． 数据挖掘，机器学习，机器视觉，语言处理这些背 ...

深度学习 _ 循环神经网络 RNN 与 LSTM 1. 循环神经网络 RNN 1) 什么是 RNN？ 循环神经网络（RNN）是一种节点定向连接成环的人工神经网络。具体应用有语音识别，手写识别，翻译等． 2) 什么时候使用 RNN？ FNN（前馈神经网络，如 BP，CNN 等）效果已经不错了，RNN 还需要更大量的计算，为什么要用 RNN 呢？如果训练 N 次，每次和每次都没什么关系，那就不需要 RNN，但如果每个后一次都可能和前一次训练相关，比如说翻译：一个句子里面Ｎ个词，一个词为一次训练（train instance），一个词的意思很可能依赖它的上下文，也就是其前次或后次训练，这个时候就需要 RNN． 3) RNN 与 FNN 有何不同？ 如图所示，左边的是前馈神经网络，数据按黑箭头方向从输入层经过隐藏层流入输出层，向前流动，因此叫做前馈网络．右图中，隐藏层中的数据除了传向输出层，还和下次输入一起训练后续的隐藏层，不再是单向，而是包含了循环，则构成了循环神经网络．下图是将各个时间点画在同一图上，左边前馈 FNN 的展开图，右边是 RNN 的展开图． 简单地说，它只是在隐藏层处加了 ...

深度学习 _ 卷积神经网络 CNN 1. 引入 卷积神经网络（CNN）是一种专门用来处理具有网格结构数据的神经网络．它属于前馈神经网络，它被定义为：至少在某一层用卷积代替了矩阵乘法的神经网络．最常见的应用场景是图像识别． 前篇我们自己动手，用 Python 实现了一个 BP 神经网络，本篇我们在 Keras 框架之下实现卷积神经网络（Keras 框架详见《深度学习 _ 工具》篇）．Keras 几乎是搭建 CNN 最简单的工具了，然而原理并不简单：除了基本的神经网络中用的误差函数，激活函数等概念以外（具体详见《深度学习 _BP 神经网络》），CNN 还用到了卷积，池化，DropOut 等方法．将在本文中逐一介绍． 2. 原理 1) 图像识别 先来看看图形学中的图像识别是如何实现的． 图片.png 我们拿到了原图（图上左），一般先将其转换成灰度图（图上中）．然后进行边缘检测，图像处理中常使用计算梯度方法（判断某像素与它相邻像素的差值）检测边缘．在 CNN 中我们用卷积来检测：先设计一个卷积核计算相邻像素的差值，然后用 ReLU(f(x)=max(0,x)) 激活函数将那些差值小的置为 ...

深度学习 _BP 神经网络 1. 说明 现在使用深度学习算法都以调库为主，但在使用库之前，先用 python 写一个最基本的神经网络的程序，也非常必要，它让我们对一些关键参数：学习率，批尺寸，激活函数，代价函数的功能和用法有一个直观的了解。 2. 原理 1) BP 神经网络 BP 神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络．这又前馈又逆向的把人绕晕了．先看看什么是前馈神经网络，回顾一下《深度学习 _ 简介》中的图示： 图片.png 这是一个典型的前馈神经网络，数据按箭头方向数据从输入层经过隐藏层流入输出层，因此叫做前馈．前馈网络在模型的输出和模型之间没有反馈，如果也包含反馈，则是循环神经网络，将在后续的 RNN 部分介绍． 前向网络和循环网络的用途不同，举个例子，比如做玩具狗，前馈是用不同材料和规格训练Ｎ次，各次训练之间都没什么关系，只是随着训练，工人越来越熟练．而循环网络中，要求每次做出来的狗都是前次的加强版，因此前次的结果也作为一种输入参与到本次的训练之中．可把循环网络理解成前馈网络的升级版．本篇讲到的 BP 神经网络，以及处理图像常用的卷积神经网络都是前馈网络 ...

深度学习 _ 工具 1. 引入 深度学习的工具有很多 Tensorflow, Theano, Caffe, Keras, MXNet, Scikit-learn…有用 c++ 写的，有用 Python 写的，还有Ｒ的，Java 的，从哪里入手呢？ 先看看最热门的 Tensorflow，它是谷歌研发的人工智能学习系统，主要优点是分布式计算，特别是在多 GPU 的环境中。Theano 也是比较低级的库，一般单机使用．什么是低级库？就像炒回锅肉不用从杀猪开始，杀猪就是比较低级的工作，已经有人帮你做好了，像 Keras 这种较上层的工具，它把 Theano 和 TensorFlow 包装成了更具人性化的 API。至于是选择低级工具，还是上层工具，主要取决于您的目标是开肉联厂还是开饭馆． 图片.png 2. 工具简介 Caffe 是 c++ 写的库，是较低层级的库，它是个老牌的工具，工作稳定，性能也好，还提供绑定到 Python 上的编程语言，但相对没有 Python 类工具灵活． Theano 是一个低级库，透明地使用 GPU 来完成数学计算．也是一个老牌的工具，工作比较稳定，只支持单机 ...