悉尼大学COMP5329深度学习课程复习

　　同学们好呀，悉尼大学COMP5329深度机器学习是一门非常不错的选修课程，这门课程具体主题包括：深度神经网络的经典架构、训练深度神经网络的优化技术、深度学习的理论理解以及深度学习在计算机视觉中的多样应用。

　　学姐认为这是一门非常高深的课程学习，深度机器学习中解释的方法不仅仅是可视化。它们合在一起，常常被称为“带学习的分类”、“监督分类”、“机器学习”，或者只是“分类”。

　　接下来，学姐给大家简单的科普一下关于悉尼大学COMP5329这门课程中，比较有意思的知识点，希望大家可以从中汲取到属于自己的那一部分知识理念。

　　首先，身份已知的一小部分数据(训练数据集)用于开发(拟合)分类模型(图 1.6.8.3 .2 ).在下一步，该模型用于对具有未知身份的对象进行分类(测试数据集).在大多数这些方法中，可以估计分类的质量，也可以评估每个字符的重要性。

　　让我们创建训练和测试数据集虹膜数据:

　　机器学习

　　统计机器学习的图形表示。蓝色是训练数据集，红线是分类模型，绿色是测试数据集，虚线显示预测(估计)过程。

　　回归学习

　　线性判别分析

　　最简单的分类方法之一是线性判别分析。基本思想是创建一组线性函数来“决定”如何对特定对象进行分类。

　　训练产生的假设允许几乎所有的植物(除了七种弗吉尼亚鸢尾)被放入适当的组。请注意，LDA不需要缩放变量。

　　可以用推理方法检查线性判别分析结果。多维变异分析(MANOVA)允许理解数据和模型之间的关系(从LDA分类):

　　这里重要的是基于费希尔统计的p值，也是威尔克斯统计的值概率比(在我们的例子中，组被没什么不同).

　　可以使用类似方差分析的技术来检查LDA中每个字符的相对重要性:

　　为了把所有的点都放在图上，我们简单地使用所有的数据作为训练。注意良好的区分度(高于主成分分析、MDS或聚类分析)，即使在相近的杂色鸢尾和一.弗吉尼亚。这是因为LDA经常高估群体之间的差异。这一特性，以及线性判别分析的参数性和线性度，使其在过去几年中使用较少。

　　上方就是学姐给大家总结出来的关于悉尼大学COMP5329这门课程的主要学习资料啦，大家有没有真正意义上的学习到其中的知识呢?澳洲留学生辅导老师帮助同学们进行定制化细致的沟通解答，帮助同学们解决所有在课程学习中遇到的疑难问题。