五步解析机器学习难点—梯度下降

当我第一次尝试学习机器学习算法时,我发现理解一个算法在干什么真的非常难。 第一步:随机将比重(a,b)赋值并计算误差平方和(SSE) 第二步:计算出梯度,即通过微调比重(a,b)从而改变差平方和(SSE)。这样做可以使得a,b值可以向SSE最小化的方向靠拢 第三步:用梯度调整a,b从而达到最优结果,即SSE最小 第四步:用新的a,b来做预测,即得到最优的Ypred(红线)并且计算新的SSE 第五步:重复三四步直到调整a,b不会明显的影响SSE

DQN 从入门到放弃1 DQN与增强学习

深度增强学习Deep Reinforcement Learning是将深度学习与增强学习结合起来从而实现从Perception感知到Action动作的端对端学习End-to-End Learning的一种全新的算法。简单的说,就是和人类一样,输入感知信息比如视觉,然后通过深度神经网络,直接输出动作,中间没有hand-crafted engineering的工作。深度增强学习具备使机器人实现真正完全自主的学习一种甚至多种技能的潜力。

为什么机器学习广泛的用在谷歌的广告系统中,而很少用在搜索排序中?

不少我在谷歌的朋友告诉我,它们的广告系统多是基于机器学习的,而搜索排序则基于人凭借直觉撰写的函数(部分模块基于机器学习)。 是什么导致了这样的差异? 1.在机器学习系统里,弄清楚为什么一个检索结果比另一个结果排序更高很困难。 2.在一些场景下,即使人已经成功的分辨出基于哪些因素,使得一个结果比另一个结果的排序靠前,但依然很难构建一个机器学习系统,在单独的场景下,去拟合这些因素的权重。