作者文章归档：course
企业数据仓库（Enterprise Data Warehouse，EDW）是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持企业的决策分析。以下是关于它的详细介绍：
基本原理是，编码器将输入数据进行压缩，把高维的输入数据映射到一个低维的潜在空间（Latent Space），得到一个紧凑的表示，这个表示被称为编码（Code）。然后解码器将这个编码再映射回原始数据空间，尝试重构出与原始输入相似的输出。例如，对于一张图像，编码器会把图像的像素信息等转换为一个低维的向量，解码器再根据这个向量生成一张新的图像，目标是让这张新图像尽可能接近原始图像。
网络结构
在机器学习（ML）领域，“unrolling”通常是指将一个具有递归或循环结构的模型或算法展开成一种更易于分析、理解和计算的形式。这种展开操作有助于深入了解模型的内部工作机制、优化训练过程以及改进模型结构。
在循环神经网络（RNN）中的应用
以下是关于自监督学习框架（Self-Supervised Learning Framework）的详细介绍：
在传统GAN中，判别器的任务是区分真实样本和生成样本，生成器的任务是生成能够“欺骗”判别器的样本。LSGAN对这个过程进行了优化，它通过最小化生成样本和真实样本之间的距离（以最小二乘法衡量）来训练模型。
损失函数
在优化过程中，“flaw”（缺陷）是指那些会阻碍优化算法有效地找到最优解或者导致算法性能不佳的各种问题。这些问题可能来自算法本身的特性、目标函数的性质或者数据的特点等多个方面。
算法相关的缺陷
在机器学习中，集成（Ensemble）是一种通过结合多个基学习器（Base Learner）来提高模型性能的方法。其基本思想是将多个相对较弱（单独性能可能不是很好）的模型组合在一起，使它们相互协作，从而获得比单个模型更好的预测性能。这些基学习器可以是相同类型的模型（如多个决策树），也可以是不同类型的模型（如决策树、神经网络和支持向量机的组合）。
集成的常见方法
与mode collapse的区别：相对而言，mode collapse更强调生成器只能生成非常有限的几种模式，生成的样本多样性严重受限；而mode dropping侧重于部分模式的丢失，生成的样本分布可能还存在一定的多样性，但缺失了真实数据分布中的某些重要部分。
产生原因