學習機器學習1

概率詮釋兩大學派

頻率派->統計機器學習

貝葉斯派->概率圖模型

李航統計學習方法的十個演算法

感k樸決邏

支提e隱條

k近鄰樸素貝葉斯

決策樹邏輯回歸與最大熵模型

支援向量機

提公升方法

em演算法

隱馬爾可夫模型

條件隨機場

prml（貝派）

回分神核稀

圖混近採連

順組

分類神經網路

核方法稀疏卷積

概率圖模型

混合模型

近似演算法

取樣連續型隨機變數

順序資料

組合模型

p(x|θ)中的θ為未知常量，x為隨機變數

為此要求出θ，常用最大似然估計mle

加log是為了簡化運算

頻率派實際上是優化問題，步驟是：

模型

loss function

梯度下降等方法

θ~p(θ)，p(θ)稱為先驗

1、根據貝葉斯定理得到後驗概率p(θ|x)：

其中p(x|θ)叫似然

2、利用引數估計方法map（最大後驗概率估計）：

如果用貝葉斯估計就硬求積分

3、得到後驗概率後用於貝葉斯**，即求新資料xnew在x情況下概率：

實際上由於積分難求，所以貝葉斯本質上就是乙個求積分問題。

1 機器學習 機器學習概述

人工智慧和機器學習的區別 機器學習可以實現人工智慧 機器學習概念 機器學習就是利用樣本資料進行一系列分析得到乙個資料模型。這個模型可以對未知資料進行 或分類 模型 對資料進行一系列分析後得到的產物，模型，模型存在的意義就是對未知資料進行 訓練模型 將樣本資料進行分析，訓練他們，得到訓練後的產物，模型...

機器學習 機器學習目錄

注 後期有時間的話會對每乙個演算法進行講解。1 普通線性回歸 2 廣義線性模型 3 邏輯回歸 4 線性判定分析1 決策樹基本原理與構建 2 cart演算法 3 回歸決策樹 4 分類決策樹1 貝葉斯定理與樸素貝葉斯 2 高斯貝葉斯分類器 3 多項式貝葉斯分類器 4 伯努利貝葉斯分類器 5 遞增式學習1...

機器學習 機器學習概論

3 模型評估與模型選擇 4.具體應用 統計學習 是關於計算機基於 資料 構建概率統計模型並運用模型對資料進行 分析 統計學習的三要素 模型在監督學習中，模型就是所要學習的條件概率分布或決策函式。這在後面的章節中會重點介紹。策略 評價模型的標準 用損失函式和代價函式來度量 錯誤的程度。1 幾種損失函式...