理解Data-Enabled Advancement of Computation in Engineering: A Robust Machine Learning Approach to Acce
近日阅读这篇文章时发现有很多不好理解的地方，今天又看，大概明白了很多
- 输入是27维，输出是162维，缩放因子是0.14，我终于懂了为什么是0，14？
因为27/（27+162）=0.14。也就是说，计算问题时，他取了6阶基函数的大概1/7个子基函数（和2阶一样的数目），然后用这6阶基函数来算出估计的x‘，用这个x’作为输入，利用CNN，得到插值出来的剩下的那些x元素值，总的x应该是包括x和x’的。总的基函数的个数也应该是1/7+输出的6/7的；
- 关于他的naive我的一点判断
我觉得他的naive就是拿残缺的6阶基函数计算出来的x’，投射到CNN里面，映射出剩下的。我觉得这个必然不合理啊，都是残缺的了，算出来的何谈准确。但好像直接用2阶的去映射6阶的估计也映射不出来，毕竟前者和后者的基函数形态都不一样。
- 他的科研思路
应该是先用2阶的基函数的值去映射6阶的函数值，发现不对；
又用6阶的一部分去插值全部6阶的计算结果，这种是插值的应该好弄，但是结果还是不精确；
后来，就想到再用这个插值出来的结果，再进行迭代，最后得到准确的结果。（最后这点的具体实现还是不好确定）
理解Data-Enabled Advancement of Computation in Engineering: A Robust Machine Learning Approach to Acce相关推荐
- 如何理解深度学习分布式训练中的large batch size与learning rate的关系？
问题详情: 在深度学习进行分布式训练时,常常采用同步数据并行的方式,也就是采用大的batch size进行训练,但large batch一般较于小的baseline的batch size性能更差,请问 ...
- 特征工程的宝典-《Feature Engineering for Machine Learning》翻译及代码实现
由O'Reilly Media,Inc.出版的<Feature Engineering for Machine Learning>(国内译作<精通特征工程>)一书,可以说是特征 ...
- 【Machine Learning 学习笔记】feature engineering中noisy feature的影响
[Machine Learning 学习笔记]feature engineering中noisy feature的影响 通过本篇博客记录一下添加噪声对Lasso和SVM的影响,采用的数据集为sklea ...
- Machine Learning 和 Data Science 的最佳公共数据集
什么是机器学习的最佳数据集?本文整理了一个高质量.多样化的机器学习数据集榜单. AUTHORS: Stacy Stanford, Machine Learning Memoirs Inc. Rober ...
- Medical Data for Machine Learning
转载自:https://github.com/beamandrew/medical-data Medical Data for Machine Learning This is a curated l ...
- 最详尽翻译：Rules of Machine Learning: Best Practices for ML Engineering
原文地址:https://developers.google.com/machine-learning/rules-of-ml/ 作者:Martin Zinkevich ##前言 Google大佬Ma ...
- 数据挖掘(data mining)，机器学习(machine learning)，和人工智能(AI)的区别是什么？ 数据科学(data science)和商业分析(business analytics
数据挖掘(data mining),机器学习(machine learning),和人工智能(AI)的区别是什么? 数据科学(data science)和商业分析(business analytics ...
- 【Kaggle】Intermediate Machine Learning（XGBoost + Data Leakage）
文章目录 6. XGBoost 7. Data Leakage 数据泄露 上一篇:[Kaggle]Intermediate Machine Learning(管道+交叉验证) 6. XGBoost 参 ...
- 数据挖掘(data mining)，机器学习(machine learning)，和人工智能(AI)的区别是什么
数据挖掘(data mining),机器学习(machine learning),和人工智能(AI)的区别是什么? 数据科学(data science)和商业分析(business analytics ...
最新文章
- python语言具有使用变量需要先定义后使用的特点_3、Python语法入门之变量
- Redis 错误1067：进程意外终止，Redis不能启动，Redis启动不了
- 【QGIS入门实战精品教程】3.2：QGIS如何打开ArcGIS创建的个人数据库（MDB）？
- CTO怒了：再写if-else，逮着罚款1000！
- 主人公的出场—一个程序员的成长史(1)
- Spring整合Activiti工作流
- SQL语句生成器 V2.0
- windows10 禁用Device/Credential Guard解决方案
- iphone12mini是双卡双待吗
- phpmailer发送邮件(QQ企业邮箱和163邮箱)
- 什么是恒流源？如何工作的？
- Linux下shell种类：/etc/shells，/etc/passwd文件，Bash shell的介绍
- excel波士顿矩阵怎么做_EXCEL波士顿矩阵法图
- Thinking in BigData（五）大数据之统计学与数据挖掘
- k8s Pod探针(健康检查和服务可用性检查)
- openwrt 18.06修改txpower限制
- PySpark基础 —— SparkSQL
- 计算机更新80072f76,更新win10系统出现错误代码0x80072f76如何解决
- Arduino自动点击鼠标
- linux内核笔记之SMMU代码分析