dbw794363172的博客

目录花书统计知识第五章 机器学习基础花书第五章机器学习基础_dbw794363172的博客-CSDN博客第六章 深度前馈网络第七章 深度学习中的正则化第八章 深度模型中的优化花书第六章 第七章 第八章_dbw794363172的博客-CSDN博客第九章 卷积网络第十章 序列建模：循环和递归网络第十一章 时间方法论第十三章 线性因子模型第十四章 自编码器花书第九章 第十章 第十一章 第十三章 第十四章_dbw794363172的博客-CSDN博客第十五章 表示学习第十六章 深度学习中的结构化概率模型第十七章

目录近似推断 深度生成模型

目录表示学习深度学习中的结构化概率模型蒙特卡罗方法——答案具有随机大小的错误，可得到近似解。直面配分函数

目录卷积网络——专门用来处理具有类似网格结构的数据神经网络。序列建模：循环和递归网络实践方法论线性因子模型自编码器

通过学习特征来改善模型的一般化1.实例：学习XOR

6.逻辑斯蒂回归与最大熵模型——分类 逻辑斯蒂回归 逻辑斯蒂分布 F（x）是分布函数和f（x）是密度函数 二项逻辑斯蒂回归模型——由条件概率分布p（Y|X）表示的逻辑斯谛分布 随机变量X取值为实数，随机变量Y取值为1//0 多项逻辑斯蒂回归 这是假设离散型随机变量Y 最大熵模型 最大熵原理 .......................................

机器学习常用模型介绍

最大似然估计：通过事实推参数，随着事实的不断变化，参数也随之改变， 先假定一个参数，然后计算实验结果的概率是多少，概率越大的，那么这个假设的参数就越可能是真的。贝叶斯：是考虑到了一方面，同时考虑到了另一方面。新信息出现A的概率=A概率*新信息带来的调整。就是在实践的过程中不断修正参数。区别： 极大似然估计认为参数是客观不变的，通过事实逐渐接近他； 贝叶斯认为参数是随机的，靠样本估计它。...

1.学习算法 对于某类任务 T 和性能度量P，一个计算机程序被认为可以从经验 E 中学习是指，通过经验 E 改进后，它在任务 T 上由性能度量 P 衡量的性能有所提升。 常见学习任务 任务：机器学习系统如何处理样本（样本是从要处理的对象中收集到的已经量化的特征的集合） 输入缺失分类：当输入向量的每个度量不被保证的时候，学习算法只需要定义一个从输入向量映射到输出类别的函数 回归：对输入给输出 转录：观测一些相对非结构化表示的数据，并转录信息为离散的文本形...