一、为什么机器学习中使用概率论?
【摘自】PRML读书笔记(1) - 深度理解机器学习之概率论(Probability Theory)
机器学习领域的一个关键概念是不确定性(uncertainty)。然而概率论为不确定性的量化和操纵提供了框架,并形成了机器学习的核心基础之一。当与后面讨论的决策论相结合时,其可以根据一些可获得的信息做出最佳预测,即使这些信息可能并不完整。
机器学习包括监督学习和非监督学习,近几年又出现了半监督学习。
监督学习分为 分类(classification) 和 回归(regression) 这两部分应用。分类和回归的最大区别是分类是离散的,而回归是连续的。
分类又包括二元分类和多元分类。与二元分类有关的是伯努利分布(Bernoulli distribution);与多元分类有关的是多项分布(Multinomial distribution)。
而与回归有关的是高斯分布(Gaussian distribution)。
从上,回归模型与这些概率分布之间有密切联系。
二、机器学习中概率论相关知识
【摘自】深度学习之数学基础(概率与统计)
三、概率论学习路线
【摘自】机器学习中的概率统计