Machine Learning——A Probabilistic Approach学习笔记 第二章 概率（总结版）

于 2020-08-04 17:33:51 发布
阅读量599 收藏 4
点赞数
分类专栏： 图书阅读 文章标签： 机器学习 概率论
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ldc1513/article/details/107789470
版权
本文是《Machine Learning——A Probabilistic Approach》第二章的学习笔记，涵盖概率的基本概念，离散与连续分布，多变量概率，随机变量替换，以及信息论。介绍了二项分布、泊松分布、高斯分布等常见分布，以及熵、互信息等信息论概念。
摘要由CSDN通过智能技术生成

2.1引言

本书采用贝叶斯解释（概率是我们对事件的发生可能的预期）

2.2基本概念

离散随机变量：

  • 概率：p(A)    条件概率：p(A|B)   联合概率：p(A,B)
  • 乘法原理：p(A,B)=p(A|B)p(B)   加法原理：p(A)=\sum p(A,b)=\sum p(A|B=b)p(B=b)
  • 贝叶斯法则：
  • 无条件独立：p(X,Y)=p(X)p(Y)\Rightarrow X\bot Y   条件独立：p((X,Y)|Z)=p(X|Z)p(Y|Z)\Rightarrow X\bot Y|Z

连续随机变量：

  • 累积分布函数，cdf：F(q)=p(X\leq q)，性质：单调递增，反函数存在，小于1
  • 概率密度函数，pdf：，性质：非负，可大于1，积分为1

重要数据：

  • 均值：
最低0.47元/天 解锁文章
ldc1513
关注
专栏目录
Machine Learning: A Probabilistic Perspective on Neur
程序员光剑
09-14 2295
作者：禅与计算机程序设计艺术 1.简介 近几年，随着深度学习在图像处理、自然语言处理等领域的广泛应用，机器学习(ML)技术也越来越火热。而机器学习方法也逐渐从传统的监督学习(Supervised Learning)转向了无监督学习(Unsupervised Learning)和半监督学习(Semi-Su
Probabilistic Machine Learning
09-22
概率机器学习（Probabilistic Machine Learning）是机器学习领域中一个重要的分支，它将概率论和机器学习结合起来，旨在处理不确定性和随机性问题。概率机器学习的主要目标是开发能够从数据中学习的概率模型，以便...
Machine Learning A Probabilistic Perspective第二章学习笔记
A_little_pang的博客
11-15 1508
Machine Learning A Probabilistic Perspective学习笔记or机器学习学习笔记闲扯2 Probability2.2 A brief review of probability theory2.2.4 Independence and conditional independence2.3 Some common discrete distributions...
Machine Learning——A Probabilistic Approach学习笔记 第一章 简介
ldc1513的博客
07-18 1079
第一章 简介(Introduction) 1.1 机器学习：what&why 数据洪流使得自动数据处理时代降临 机器学习的目的：自动学习数据模式 essential：概率论 跨领域的数据有一种“长尾”的特征，即少数常见而多数罕见，这意味着即使本书只关心较小的样本集合，得到的结果也同样有意义。 1.1.1机器学习的类型： 机器学习往往分为两类：有监督(supervised)学习和无监督(unsupervised)学习 有监督学习： 通过学习训练集{Xi,Yi}(i=1~N...
Machine Learning——A Probabilistic Approach学习笔记 第二章 概率
ldc1513的博客
08-04 4792
12
贝叶斯方法（Bayesian approach） —— 一种概率解释（probabilistic interpretation）
01-11 5682
1. Bayesian approach对于多项式拟合问题，我们可通过最小二乘（least squares）的方式计算得到模型的参数，最小二乘法又可视为最大似然（maximum likelihood）的一种特例，当模型选择过于复杂时，很容易在测试集上造成过拟合（over-fitting），因此，过拟合问题可被理解为最大似然普遍存在的一种性质。过拟合的问题可通过贝叶斯方法得以避免。
Probabilistic Machine Learning-An Introduction 学习笔记
最新发布
12-21
Probabilistic Machine Learning-An Introduction 学习笔记 Probabilistic Machine Learning-An Introduction 学习笔记 Probabilistic Machine Learning-An Introduction 学习笔记 Probabilistic Machine Learning-...
Machine Learning A Probabilistic Perspective 1.Introduction
披着鲨鱼皮的海盗
08-28 2648
目录 1 有监督学习 1.1 分类问题 1.2 回归问题 2 无监督学习 2.1 发现类别 2.2 发现隐含因子 3 机器学习中的基本概念 3.1 参数和非参数模型 3.2 维度灾难 3.3 线性回归和logistics回归 3.4 过拟合 3.5 模型的选择 3.6 定理 机器学习主要分为有监督学习和无监督学习。 1 有监督学习 有监督学习可以大致分为两类问题：分...
Machine Learning A Probabilistic Perspective 笔记
jiongjiong 的专栏
11-26 3070
Machine Learning A Probabilistic Perspective 笔记
Machine-learning课后参考答案
11-29
Machine-Learning 参考答案。 Machine-Learning-A-Probabilistic-Perspective-Solutions。
Machine Learning A Probabilistic Perspective MLAPP（英文版）
01-31
Machine Learning A Probabilistic Perspective MLAPP（英文版)
Pro Machine Learning Algorithms Implementing Algorithms in Python
07-01
Pro Machine Learning Algorithms: A Hands-On Approach to Implementing Algorithms in Python and R by V Kishore Ayyadevara Bridge the gap between a high-level understanding of how an algorithm works and knowing the nuts and bolts to tune your models better. This book will give you the confidence and skills when developing all the major machine learning models. In Pro Machine Learning Algorithms, you will first develop the algorithm in Excel so that you get a practical understanding of all the levers that can be tuned in a model, before implementing the models in Python/R. You will cover all the major algorithms: supervised and unsupervised learning, which include linear/logistic regression; k-means clustering; PCA; recommender system; decision tree; random forest; GBM; and neural networks. You will also be exposed to the latest in deep learning through CNNs, RNNs, and word2vec for text mining. You will be learning not only the algorithms, but also the concepts of feature engineering to maximize the performance of a model. You will see the theory along with case studies, such as sentiment classification, fraud detection, recommender systems, and image recognition, so that you get the best of both theory and practice for the vast majority of the machine learning algorithms used in industry. Along with learning the algorithms, you will also be exposed to running machine-learning models on all the major cloud service providers. You are expected to have minimal knowledge of statistics/software programming and by the end of this book you should be able to work on a machine learning project with confidence. What You Will Learn Get an in-depth understanding of all the major machine learning and deep learning algorithms Fully appreciate the pitfalls to avoid while building models Implement machine learning algorithms in the cloud Follow a hands-on approach through case studies for each algorithm Gain the tricks of ensemble learning to build more accurate models Discover the basics of programming in R/Python and the Keras framework for deep learning Who This Book Is For Business analysts/ IT professionals who want to transition into data science roles. Data scientists who want to solidify their knowledge in machine learning.
Machine.Learning(A.Probabilistic.Perspective)pdf
weixin_30325793的博客
07-19 763
下载地址：网盘下载 Today's Web-enabled deluge of electronic data calls for automated methods of data analysis. Machine learning provides these, developing methods that can automatically de...
machine learning_probability
motoight的博客
10-08 219
关于随机变量的数字特征 均值，方差，协方差更专业的说法叫做随机变量的数字特征，均值叫做一阶中心距，方差叫做二阶中心距等等 均值： E(X)=∫−∞+∞x∗p(x)dxE(X)= \int_{-\infty}^{+\infty}x*p(x)dxE(X)=∫−∞+∞​x∗p(x)dx 方差： Var(x)=∫−∞+∞px∗(x−E(x))2dxVar(x) = \int_{-\infty}^{+\in...
CS281: Advanced Machine Learning 第二节 probability theory 概率论
Frog in a well
07-29 2237
概率论基本概念 离散变量 概率论中的两个基本法则：加法法则和乘法法则，加法法则定义了随机变量X与条件变量Y之间的直接联系。乘法法则定义了概率学中最重要的条件概率，同时也可以叫做联合概率，因为它描述了事件X和Y同时发生的概率。 通过上面公式可以推到出条件概率公式： 进而可以得到著名的贝叶斯公式，贝叶斯公式广泛的应用于科学界，这也被称为后验概率，因为它在咱们知道
Machine Learning（2）Estimate the probability density -- Mixture of Gaussians
qq_26386707的博客
02-28 529
Machine Learning（2）Mixture of Gaussians Chenjing Ding 2018/02/21 notation meaning M the number of mixture components p(j) weight of mixture component p(x|θj)p(x|θj)p(x|...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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