卷积神经网络的理解
在泛函分析中，卷积 (Convolution) 或叫旋积、摺积是通过两个函数 $f$ 和 $g$ 生成第三个函数的一种数学算子，表征函数 $f$ 与经过翻转和平移的 $g$ 的重叠部分的面积。若 $f$ 与 $g$ 在 $\mathbb{R}$ 上可积，则数学上的公式为：
ROC 分析简要
在信息检索或者分类问题中，模型给出结果的好坏需要一个标准的评价度量。大约10年前，在 Machine learning (ML) 文献中一统天下的标准：分类精度 (Accuracy)；在信息检索 (IR) 领域中常用 Recall 和 Precision 等等。其实度量反应了人们对“好”的分类结果的追求，同一时期的不同的度量反映了人们对什么是“好”，这个最根本问题的不同认识，而不同时期流行的度量则反映了人们认识事物的深度的变化。近年来，随着 ML 的相关技术从实验室走向实际应用，一些实际的问题对度量标准提出了新的需求。特别的，现实中样本在不同类别上的不均衡分布 (class distribution imbalance problem)。使得 Accuracy 这样的传统的度量标准不能恰当的反应分类器的性能。
Deep Learning 最新综述
摘要：深度学习可以让那些拥有多个处理层的计算模型来学习具有多层次抽象的数据的表示。这些方法在许多方面都带来了显著的改善，包括最先进的语音识别、视觉对象识别、对象检测和许多其它领域，例如药物发现和基因组学等。深度学习能够发现大数据中的复杂结构。它是利用 BP 算法来完成这个发现过程的。BP 算法能够指导机器如何从前一层获取误差而改变本层的内部参数，这些内部参数可以用于计算表示。深度卷积网络在处理图像、视频、语音和音频方面带来了突破，而递归网络在处理序列数据，比如文本和语音方面表现出了闪亮的一面。