人们已经教会计算机自动找出那些重要的特征和属性， 那么下一步我们该教会计算机什么？ — David 9
用深度学习框架跑过实际问题的朋友一定有这样的感觉: 太神奇了， 它竟然能自己学习重要的特征 ! 下一步我们改教会计算机什么？莫非是教会他们寻找新的未知特征？
对于卷积神经网络cnn， 其中每个卷积核就是一个cnn习得的特征， 详见David 9之前的关于cnn博客。
今天我们的主角是keras，其简洁性和易用性简直出乎David 9我的预期。大家都知道keras是在TensorFlow上又包装了一层，向简洁易用的深度学习又迈出了坚实的一步。
所以，今天就来带大家写keras中的Hello World ， 做一个手写数字识别的cnn。回顾cnn架构：
我们要处理的是这样的灰度像素图： 继续阅读keras 手把手入门#1-MNIST手写数字识别 深度学习实战闪电入门
是先用自己的”套路”边试边学, 还是把所有情况都考虑之后再总结, 这是一个问题 — David 9
David 9 本人并不提倡用外部视角或者”黑箱”来看待”智能”和”机器学习”.
正如《西部世界》迷宫的中心是自己的内心. 神经网络发展到目前的深度学习, 正是因为内部的结构发生了变化(自编码器, 受限玻尔兹曼机, 改进的激活函数, 等等…) . 所以David 9 相信神经网络未来的发展在于人类对内部结构的新认知, 一定有更美的内部结构存在 !
而今天所说的增强学习, 未来更可能作为辅助外围框架, 而不是”智能核心”存在. 不过作为闪电入门, 我们有必要学习这一流行理论:
没错, 这张图和文章特色图片是一个思想:
训练实体(Agent)不断地采取行动(action), 之后转到下一个状态(State), 并且获得一个回报(reward), 从而进一步更新训练实体Agent. 继续阅读#15 增强学习101 闪电入门 reinforcement-learning
贝叶斯网络中的一些基本直觉，不能直接使用到马尔可夫网络 — David 9
上一讲, 我们介绍了模板模型, 今天我们要把注意力放到无向图模型，以及马尔可夫网络 (Markov Networks). 事实上之所以叫做无向图模型，只是因为概率图中的边可以是双向的：
这里的Φ1[A, B] 称为一个factor(因素)。但是Φ1[A, B]并不是有用的分布。如上图， Φ1[A, B]只是代表AB边之间各种组合的概率，并不是A和B联合概率。因为A和B联合概率的取值同时也被C和D影响（仅仅一条边的情况不能说明问题）。
另外，不要以为 P = Φ1(A, B) * Φ2(B, C) * Φ3(C, D) * Φ4(A, D) 就是这个图的联合概率。 继续阅读Stanford教授Daphne Koller 概率图模型 — 终极入门 第三讲 马尔可夫网络 (Markov Networks)
