Model Representation--machine learning
content
- 1.How does the nervous system work
- 2.What do we learn from nervous system?
- 3.In terms of matrices
1.How does the nervous system work
这是一个简单的模型,一个神经元接受来自其他神经元的输入,并且输出信息到其他神经元。考虑到神经元之间的联系,我们有更加复杂的模型
几个神经元作为一个神经元的输入,这个神经元作为下一个神经元的输入,这样子就构成了很多层。
2.What do we learn from nervous system?
仿照神经元的信息传输模式,我们建立了神经网络,针对没有中间层的神经元传输模型我们建立了没有中间层的神经网络。
即:hθx=g(θ0x0+θ1x1+θ2x2+θ3x3)h_{\theta}x=g(\theta_0x_0+\theta_1x_1+\theta_2x_2+\theta_3x_3)hθx=g(θ0x0+θ1x1+θ2x2+θ3x3) 将x0x_0x0作为偏置输入
对有中间层的神经网络,我们同样可以建立模型
即:a1(2)=g(θ10(1)x0+θ11(1)x1+θ12(1)x2+θ13(1)x3)a_1^{(2)}=g(\theta_{10}^{(1)}x_0+\theta_{11}^{(1)}x_1+\theta_{12}^{(1)}x_2+\theta_{13}^{(1)}x_3)a1(2)=g(θ10(1)x0+θ11(1)x1+θ12(1)x2+θ13(1)x3)a2(2)=g(θ20(1)x0+θ21(1)x1+θ22(1)x2+θ23(1)x3)a_2^{(2)}=g(\theta_{20}^{(1)}x_0+\theta_{21}^{(1)}x_1+\theta_{22}^{(1)}x_2+\theta_{23}^{(1)}x_3)a2(2)=g(θ20(1)x0+θ21(1)x1+θ22(1)x2+θ23(1)x3)a3(2)=g(θ30(1)x0+θ31(1)x1+θ32(1)x2+θ33(1)x3)a_3^{(2)}=g(\theta_{30}^{(1)}x_0+\theta_{31}^{(1)}x_1+\theta_{32}^{(1)}x_2+\theta_{33}^{(1)}x_3)a3(2)=g(θ30(1)x0+θ31(1)x1+θ32(1)x2+θ33(1)x3)我们令z1(2)=θ10(1)x0+θ11(1)x1+θ12(1)x2+θ13(1)x3z^{(2)}_1=\theta_{10}^{(1)}x_0+\theta_{11}^{(1)}x_1+\theta_{12}^{(1)}x_2+\theta_{13}^{(1)}x_3z1(2)=θ10(1)x0+θ11(1)x1+θ12(1)x2+θ13(1)x3 z2(2)=θ20(1)x0+θ21(1)x1+θ22(1)x2+θ23(1)x3z^{(2)}_2=\theta_{20}^{(1)}x_0+\theta_{21}^{(1)}x_1+\theta_{22}^{(1)}x_2+\theta_{23}^{(1)}x_3z2(2)=θ20(1)x0+θ21(1)x1+θ22(1)x2+θ23(1)x3 z3(2)=θ30(1)x0+θ31(1)x1+θ32(1)x2+θ33(1)x3z^{(2)}_3=\theta_{30}^{(1)}x_0+\theta_{31}^{(1)}x_1+\theta_{32}^{(1)}x_2+\theta_{33}^{(1)}x_3z3(2)=θ30(1)x0+θ31(1)x1+θ32(1)x2+θ33(1)x3可以得到a1(2)=g(z1(2))a_1^{(2)}=g(z^{(2)}_1)a1(2)=g(z1(2)) a2(2)=g(z2(2))a_2^{(2)}=g(z^{(2)}_2)a2(2)=g(z2(2)) a3(2)=g(z3(2))a_3^{(2)}=g(z^{(2)}_3)a3(2)=g(z3(2))
二层的表示与上面的例子类似。
3.In terms of matrices
从上面的式子中,相信同学们已经发现可以用矩阵来表示
[z1(2)z2(2)z3(2)]=[θ10(1)θ11(1)θ12(1)θ13(1)θ20(1)θ21(1)θ22(1)θ23(1)θ30(1)θ31(1)θ32(1)θ33(1)][x0x1x2x3]\left[ \begin{matrix} z_1^{(2)} \\z_2^{(2)} \\z_3^{(2)} \end{matrix}\right] =\left[\begin{matrix} \theta_{10}^{(1)}& \theta_{11}^{(1)} &\theta_{12}^{(1)}&\theta_{13}^{(1)} \\\theta_{20}^{(1)} & \theta_{21}^{(1)} & \theta_{22}^{(1)} & \theta_{23}^{(1)}\\ \theta_{30}^{(1)} & \theta_{31}^{(1)} &\theta_{32}^{(1)} & \theta_{33}^{(1)} \end{matrix} \right]\left[ \begin{matrix} x_0 \\x_1 \\x_2 \\ x_3 \end{matrix}\right] ⎣⎢⎡z1(2)z2(2)z3(2)⎦⎥⎤=⎣⎢⎡θ10(1)θ20(1)θ30(1)θ11(1)θ21(1)θ31(1)θ12(1)θ22(1)θ32(1)θ13(1)θ23(1)θ33(1)⎦⎥⎤⎣⎢⎢⎡x0x1x2x3⎦⎥⎥⎤
Model Representation--machine learning相关推荐
- ML:MLOps系列讲解之《基于ML的软件的三个层次之02 Model: Machine Learning Pipelines——2.6 ML Model serialization forma》解读
ML:MLOps系列讲解之<基于ML的软件的三个层次之02 Model: Machine Learning Pipelines--2.6 ML Model serialization forma ...
- ML:MLOps系列讲解之《基于ML的软件的三个层次之02 Model: Machine Learning Pipelines——2.5 Different forms of ML workfl》解读
ML:MLOps系列讲解之<基于ML的软件的三个层次之02 Model: Machine Learning Pipelines--2.5 Different forms of ML workfl ...
- ML:MLOps系列讲解之《基于ML的软件的三个层次之02 Model: Machine Learning Pipelines 2.1~2.4》解读
ML:MLOps系列讲解之<基于ML的软件的三个层次之02 Model: Machine Learning Pipelines 2.1~2.4>解读 目录 <基于ML的软件的三个层次 ...
- 翻译:seq2seq model in Machine Learning
原文链接:seq2seq model in Machine Learning seq2seq 首次被谷歌引用是用于机器翻译.在那之前的翻译方式十分朴素.敲入的每个单词会被忽视语法和上下文直接转换成目标 ...
- Datacamp 笔记代码 Machine Learning with the Experts: School Budgets 第二章 Creating a simple first model
更多原始数据文档和JupyterNotebook Github: https://github.com/JinnyR/Datacamp_DataScienceTrack_Python Datacamp ...
- 台大李宏毅Machine Learning 2017Fall学习笔记 (5)Classification: Probabilistic Generative Model
台大李宏毅Machine Learning 2017Fall学习笔记(5)Classification: Probabilistic Generative Model 本节课以二分类问题为例,详细讲解 ...
- 时间序列预测分析(2)How to Develop a Skillful Machine Learning Time Series Forecasting Model
文章目录 Process Overview How to Use This Process 1. Define Problem 分析问题 2. Design Test Harness 设计评估工具 常 ...
- 机器学习肝炎预测模型machine learning for hepatitis prediction model
作者Toby,来自机器学习肝炎预测模型 肝炎是由细菌.病毒.寄生虫.酒精.药物.化学物质.自身免疫等多种致病因素引起的肝脏炎症的统称.儿童及成年人均可患病,病毒感染导致的病毒性肝炎较为常见. 由于过度 ...
- 【Machine Learning】【Andrew Ng】- notes(Week 1: model and cost function)
Model Representation: To describe the supervised learning problem slightly more formally, our goal i ...
- Foundations of Machine Learning 2nd——第四章Model Selection(二)
Foundations of Machine Learning 2nd--第四章Model Selection(二) 交叉验证 Cross Validation(CV) 交叉验证的步骤 交叉验证有效性 ...
最新文章
- KTHREAD 结构体属性介绍
- 选择超融合基础设施?这五件事你考虑了吗?
- android 初始化类,Android 常用编程技巧/Java类的初始化顺序 (静态变量、静态初始化块、变量、初始化块、构造器)...
- 蓝桥杯 ALGO-2算法训练 最大最小公倍数(贪心算法)
- JAVA编写的一个简单的Socket实现的HTTP响应服务器
- SVN客户端和中文包的安装
- idea 安装 jclasslib 插件
- MicroSemi LiberoSoc启动太慢的问题
- 安卓和iOS的兼容性问题: 键盘弹起时,固定在底部的按钮是否被弹到键盘上方
- Unity添加自发光材质
- 腾讯C++后台开发实习面经(已拿offer)
- 用inno Setup做应用程序安装包的示例脚本 .iss文件
- VSCode配置Python开发环境!
- Docker删除指定镜像
- 讨论关于RabbitMQ可靠性相关问题?
- SAP BW: 小生长谈Delta - 1 (CDC)
- WeLink智慧校园解决方案,支撑校园多场景智能应用
- 安装package解决个人版设置黑色主题问题记录
- etf跟普通基金有什么不同?etf和普通基金的区别
- Android开发单选按钮功能,android实现单选按钮功能
热门文章
- ELK 企业内部日志分析系统
- BZOJ35453551[ONTAK2010]Peaks——kruskal重构树+主席树+dfs序+树上倍增
- 异步读写之利用完成历程
- JPA的常用操作和配置总结
- WPF 使用值转换器进行绑定数据的转换IValueConverter
- TouchVG 支持 CocoaPods 了!
- 我眼中的2011年互联网大事记
- sql server根据年查询日期_SQL根据日期条件使用between查询数据集应注意事项
- python中define的用法_C语言中#define用法总结
- linux vim 编译python,Ubuntu下编译Vim8(+python)无数次编译失败