相關(guān)文章

• 人工智能之?dāng)?shù)學(xué)基礎(chǔ)【牛頓法】

  簡(jiǎn)述 牛頓法常用來(lái)求解無(wú)約束非線(xiàn)性規(guī)劃問(wèn)題，它利用目標(biāo)函數(shù)的二次泰勒展開(kāi)式構(gòu)造搜索方向。 無(wú)約束非線(xiàn)性規(guī)劃問(wèn)題 ： m i n f ( x ) , x ∈ R n min f(x),quad x in R^n min f ( x ) , x ∈ R n 。如果目標(biāo)函數(shù) f ( x ) f(x) f ( x ) 在 R n R^n R n 上具有 連續(xù)的二階偏導(dǎo)數(shù) ，其中 Hessian矩陣正定

  2024年02月20日

  瀏覽(24)

• 人工智能之?dāng)?shù)學(xué)基礎(chǔ)【最小二乘法】

  原理 最小二乘法由勒讓德（A.M.Legendre）于1805年在其著作《計(jì)算彗星軌道的新方法》中提出，主要思想是最小化誤差二次方和尋找數(shù)據(jù)的最佳匹配函數(shù)，利用最小二乘法求解未知參數(shù)，使得理論值與觀測(cè)值之差（即誤差，或稱(chēng)為殘差）的二次方和達(dá)到最小，即： E = ∑ i = 1 n

  2024年02月21日

  瀏覽(27)

• 人工智能之?dāng)?shù)學(xué)基礎(chǔ)【共軛梯度法】

  簡(jiǎn)述 共軛梯度法是利用目標(biāo)函數(shù)的梯度逐步產(chǎn)生 共軛方向 并將其作為搜索方向的方法。 共軛梯度法是針對(duì)二次函數(shù) f ( x ) = 1 2 x T Q x + b T x + c , x ∈ R n f(x)=frac{1}{2}x^TQx+b^Tx+c,x in R^n f ( x ) = 2 1 ? x T Q x + b T x + c , x ∈ R n 的 無(wú)約束優(yōu)化問(wèn)題 。此方法具有 存儲(chǔ)變量少 和 收斂速

  2024年02月20日

  瀏覽(29)

• 【人工智能的數(shù)學(xué)基礎(chǔ)】函數(shù)的光滑化(Smoothing)

  2024年02月07日

  瀏覽(28)

• 【人工智能】AI寫(xiě)作能力大比拼：《人工智能的數(shù)學(xué)基礎(chǔ)》寫(xiě)下這本書(shū)的目錄。

  《人工智能的數(shù)學(xué)基礎(chǔ)》 第一章 人工智能與數(shù)學(xué)基礎(chǔ) 1.1 人工智能簡(jiǎn)介 1.2 數(shù)學(xué)在人工智能中的作用 1.3 本書(shū)內(nèi)容概述 第二章 線(xiàn)性代數(shù)基礎(chǔ) 2.1 向量與矩陣 2.2 行列式與矩陣計(jì)算 2.3 線(xiàn)性方程組 2.4 矩陣分解與特征值分析 第三章 微積分基礎(chǔ) 3.1 導(dǎo)數(shù)與微分 3.2 積分學(xué)基礎(chǔ) 3.3 常

  2024年02月09日

  瀏覽(30)

• 【人工智能的數(shù)學(xué)基礎(chǔ)】二進(jìn)制乘法的Mitchell近似

  使用Mitchell近似構(gòu)造加法神經(jīng)網(wǎng)絡(luò). paper：Deep Neural Network Training without Multiplications arXiv：link 本文通過(guò) Mitchell 近似算法將乘法運(yùn)算轉(zhuǎn)變?yōu)榧臃ㄟ\(yùn)算，從而降低了神經(jīng)網(wǎng)絡(luò)中的乘法的運(yùn)算量。 Mitchell 近似是一種在二進(jìn)制下近似的 快速對(duì)數(shù) 和 指數(shù) 計(jì)算方法。對(duì)于一個(gè)十進(jìn)制的非

  2024年02月08日

  瀏覽(33)

• 【人工智能的數(shù)學(xué)基礎(chǔ)】局部敏感哈希(Locality Sensitive Hashing)

  2023年10月30日

  瀏覽(25)

• 【人工智能的數(shù)學(xué)基礎(chǔ)】使用Mitchell近似構(gòu)造加法神經(jīng)網(wǎng)絡(luò)

  使用Mitchell近似構(gòu)造加法神經(jīng)網(wǎng)絡(luò). paper：Deep Neural Network Training without Multiplications arXiv：link 本文通過(guò) Mitchell 近似算法將乘法運(yùn)算轉(zhuǎn)變?yōu)榧臃ㄟ\(yùn)算，從而降低了神經(jīng)網(wǎng)絡(luò)中的乘法的運(yùn)算量。 Mitchell 近似是一種在二進(jìn)制下近似的 快速對(duì)數(shù) 和 指數(shù) 計(jì)算方法。對(duì)于一個(gè)十進(jìn)制的非

  2024年02月07日

  瀏覽(26)

• 【人工智能的數(shù)學(xué)基礎(chǔ)】積分概率度量(Integral Probability Metric)

  Integral Probability Metric. 積分概率度量( integral probability metrics, IPM )用于衡量?jī)蓚€(gè)概率分布

  2024年02月07日

  瀏覽(29)

• 【人工智能的數(shù)學(xué)基礎(chǔ)】二值圖像的距離變換(Distance Transform)

  2023年10月31日

  瀏覽(19)