本文对应公开课的第13个视频,这个视频仍然和EM算法非常相关,第12个视频讲解了EM算法的基础,本视频则是在讲EM算法的应用。本视频的主要内容包括混合高斯模型(Mixture of Gaussian, MoG)的EM推导、混合贝叶斯模型(Mixture of Naive Bayes,MoNB)的EM推导、因子分析模型(Factor Analysis Model)及其EM求解。由于本章内容较多,故而分为AB两篇,本篇介绍至混
以机器学习为代表的人工智能技术已经被公认为未来5~10年技术变革的浪潮,它必将全方位改变未来人们的工作和生活方式。秉承“全球专家、连接智慧”的宗旨,我们特邀三十多位全球机器学习领域的技术领袖和行业应用专家,于2017年6月29-30日在北京举办「2017全球机器学习技术大会」活动家提供大会在线报名服务。大会融合主题演讲、互动研讨、案例分享、高端培训等多种形式,探讨机器学习在各领域的发展和实践应用。未来已来,Are You Ready? 来2017全球机器学习技术大会,一场
本文对应斯坦福ML公开课的第12个视频,第12个视频与前面相关性并不大,开启了一个新的话题——无监督学习。主要内容包括无监督学习中的K均值聚类(K-means)算法,混合高斯分布模型(Mixture of Gaussians, MoG),求解MoG模型的EM算法,以及EM的一般化形式,在EM的一般化形式之前,还有一个小知识点,即Jensen不等式(Jensen’s inequality)。
Microsoft CogniTIve Service - Computer Vision: 该API能够根据用户输入与用户选择分析可视化内容。譬如根据内容来标记图片、进行图片分类、人类识别并且返回他们的相似性、进行领域相关的内容识别、创建图片的内容描述、定位图片中的文本、对图片内容进行成人分级等。 Rekognition: 该API能够根据社交图片应用的特点提供快速面部识别与场景识别。譬如基于人眼、嘴、面部以及鼻子等等特征进行性