u010384318的专栏

第一篇：从决策树学习谈到贝叶斯分类算法、EM、HMM（Machine Learning & Data Mining交流群：8986884）引言最近在面试中，除了基础 & 算法 & 项目之外，经常被问到或被要求介绍和描述下自己所知道的几种分类或聚类算法(当然，这完全不代表你将来的面试中会遇到此类问题，只是因为我的简历上写了句：熟

深度学习如火如荼的在发展着，在应用着，下面把一些深度学习在语音上d

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习是无监督学习的一种。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出。基于深

考虑到大家有可能对深度学习的识别有点模糊，因此决定写一个短博客，简单介绍下如何识别，结合本系列的第一篇博文提到的深度学习之所以叫深度，其中之一的原因是多层RBM模仿了人脑多层神经元对输入数据进行层层预处理(值得一提的是并不是每层都是RBM，DBN就是个例外），即深层次的数据拟合，多个RBM连接起来构成DBM（deep boltzmann machines)，每层RBM的节点数自己指定，这需要一些经

今天就来讨论下deep learning怎么来处理real valued data。对于图像来说，二值图像毕竟是少数，更多的还是实值图像。对于这样的情况，RBM已经无法很好的处理它们，因此需要改进它，对于了解计算机视觉的人而言，想必高斯混合背景模型大家已不陌生，高斯混合模型可以很好的对实值图像建模，OpenCV中早就用高斯混合背景模型来分割物体。接下来要引出的高斯有限制玻尔兹曼机（Gaussian

原文地址：Learning Tutorial 学习平台搭建" href="http://blog.sina.com.cn/s/blog_a37920d10101ee11.html" target="_blank">DeepLearning Tutorial 学习平台搭建作者：iTech学习Deep Learning Tutorial 0.1 的时候，发现其使用的平台是 Python

下面贴出RBM C++版本的代码，一些大牛写的，结合上篇博文来加深大家对RBM理论的理解。。。RBM类定义声明：[cpp] view plaincopyprint?class RBM {    public:    int N;    int n_visible;    int n_hidden;    double **W;    double *hb

==========================================================================================最近一直在看Deep Learning，各类博客、论文看得不少但是说实话，这样做有些疏于实现，一来呢自己的电脑也不是很好，二来呢我目前也没能力自己去写一个toolbox只是跟着Andrew Ng的UFLDL

theano学习指南，主要翻译官方文档基础知识本学习指南不是一份机器学习的教程，但是首先我们会对其中的概念做一个简单的回顾，以确保我们在相同的起跑线上。大家还需要下载几个数据库，以便于跑这个指南里面的程序。theano下载安装在学习每一个算法的时候，大家都需要下载安装相应的文件，如果你想要一次下载所有的文件，可以通过下面这种方式?gi

结构决定功能和协同处理：鲁棒有限制玻尔兹曼机(RoBM）     上一篇博文中提到，GRBM训练样本越多越好，样本多蕴含的分布更具有一般性，这对其他模型也适用。但是实际样本数据中往往有大量的噪声，这或多或少的影响了GRBM的性能，工业界一般都设有清洗数据的岗位，用人脑去除噪声数据。试想：人脑为什么具有如此强大的抗噪和容错能力？其实生命科学中有一句经典的总结：结构决定功能。不同的结构

在本章节中，我们会学习如何用Theano实现最基本的对数回归分类器。首先，我们会简单的复习一个这个模型，在这个过程中，大家可以进一步的了解如何把数学表达式和Theano的图模型结合起来。数学模型对数回归模型是试过线性概率分类器，它有两个参数，权重矩阵W和偏移向量b.分类的过程是把数据投影到一组高维超平面上，数据和平面的距离反应了它属于这个类别的概率。这个模型的数学公式可以表示为：

==========================================================================================最近一直在看Deep Learning，各类博客、论文看得不少但是说实话，这样做有些疏于实现，一来呢自己的电脑也不是很好，二来呢我目前也没能力自己去写一个toolbox只是跟着Andrew Ng的

本节要用Theano实现的结构是一个隐层的多层感知器模型（MLP）。MLP可以看成一种对数回归器，其中输入通过非线性转移矩阵Φ做一个变换处理，以便于把输入数据投影到一个线性可分的空间上。MLP的中间层一般称为隐层。单一的隐层便可以确保MLP全局近似。然而，我们稍后还会看到多隐层的好处，比如在深度学习中的应用。 （本节只要介绍了MLP的实现，对神经网络的背景知识介绍不多，感兴趣的朋友可以进一

摘要：2012年10月的天津，微软在“21世纪的计算大会”上展示了一套全自动同声传译系统。流畅的效果令其背后的关键技术DNN（深层神经网络）第一次进入了许多人的视野。本文将讲述DNN与这套同声传译系统背后的故事。2012年10月的天津，微软首席研究官Rick Rashid在“21世纪的计算大会”上公开演示了一个全自动同声传译系统，他的英文演讲被实时转换成与他的音色相近、字正腔圆的中文。流畅

本文转载：http://blog.csdn.net/cuoqu/article/details/8886971 经过三年的狂刷理论，觉得是时候停下来做些有用的东西了，因此决定开博把他们写下来，一是为了整理学过的理论，二是监督自己并和大家分享。先从DeepLearning谈起吧，因为这个有一定的实用性（大家口头传的“和钱靠的很近”)，国内各个大牛也都谈了不少，我尽量从其他方面解释一下。 

最近有几个人在群里问我kaldi的问题，不巧的是最近我在忙我的开题。我对kaldi的了解也就是语音识别+深度学习。如果不是kaldi有dnn模型，或许我更愿意用htk吧。其实，基本的都差不多吧。kaldi可以说是更加丰富吧。本来准备开题开语音识别，但是由于导师的反对，不得不做现在的歌曲人声分离。进入到这个新的领域，我不得不怀疑自己的学习能力，现在的我变的不淡定了。很久没有写博文，也许很忙，也许自己

今天由于去教研室弄研究生数学建模，很开心由于我的到来，大家都来实验室。然而，大家在教研室做的事情让我感觉大家还是比较迷茫。而我又是一个多事的人，所以特写下此文，希望可以可以给大家一些帮助，如有任何问题，欢迎讨论。      ok，进入正题。      首先，我来说说语音的事情吧。实验室的很多事情都和语音有关，所以做图像和视频的或许你只是借鉴这些想法吧。第一，介绍书吧。网址：http://n

htk-3.5终于在2015年最后一天来了，也没算失约。对于之前使用htk的人来说，算是一个福利吧。毫无疑问，新版添加了DNN部分。同步更新了HTKbook和源码，现在上传到百度云上，具体链接是：链接：http://pan.baidu.com/s/1pKmfZ4Z 密码：bh1y。大家可以下载看看……