机器学习理论导引(1)

1.凸集:看到这个词,不由联想到凸函数
定义:集合内任意两点连线各点都在该集合内
考虑凸多边形,二者定义关联

2.凸函数代表在定义域中任一点的一阶泰勒展开是其下界

3.一些数学变换能够保持函数的凸性
如凸函数的自变量进行线性变换后 g(x)=f(Ax+b),该函数仍是凸函数

4.共轭函数
求共轭函数

5.重要不等式
jensen不等式:期望的函数小于等于函数的期望
Holder不等式
Cauchy-Schwarz不等式

6.最优化
线性规划问题:形式表现为一个待最优化式,一些约束式
可以转化为对偶问题,(形如拉格朗日乘法一类的式子)
常通过将拉格朗日乘子对x求导并令导数为0,来获得对偶式进一步表达
KKT条件可以刻画这二者之间的关系

7.支持向量机

8.原始空间线性不可分的问题,一条线难以划分,可以映射到高维空间,线变为面即可划分两块空间区域

9.如今调参侠大行其道,理论学习任重而道远

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
机器学习是一种研究和开发算法,让计算机能从数据中自动学习并进行预测和决策的技术。它是人工智能领域的重要分支,被广泛应用于各个领域,如图像识别、自然语言处理、推荐系统等。 机器学习理论基础包括数据处理、模型选择和评估方法。在数据处理方面,机器学习需要对原始数据进行预处理和特征提取,以使数据更适合用来训练和测试模型。模型选择涉及选择合适的机器学习算法和参数设置,以及确定模型的结构和复杂度。评估方法用于评估模型的性能和泛化能力。 常见的机器学习算法包括监督学习和无监督学习。监督学习使用带有标签的训练数据来训练模型,以预测未知数据的标签。常见的监督学习算法有线性回归、决策树和支持向量机。无监督学习则使用不带标签的数据来发现数据中的结构和模式。常见的无监督学习算法有聚类和降维。 在机器学习中,还存在着模型的优化问题。模型的优化通过调整模型参数来最小化预测误差或最大化模型的性能指标。常见的优化算法有梯度下降和牛顿法。此外,还有一些特殊的机器学习技术,如集成学习、深度学习和强化学习,它们在特定的领域和问题中表现出色。 总之,机器学习理论涉及数据处理、模型选择和评估方法等方面,包括多种学习算法和优化技术。通过理解和应用这些理论,我们能够构建出能够从数据中学习和做出预测的智能系统。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值