【机器学习随笔】概率论与实际问题的对应

已于 2024-09-12 13:27:23 修改
阅读量167 收藏
点赞数
分类专栏： 机器学习随笔 文章标签： 机器学习 概率论 人工智能
于 2024-09-12 13:27:02 首次发布
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/lez1021/article/details/142172967
版权

主要从直观看待问题的角度，对概率分布进行分类。
一、时间维度
1、一个事件两次发生的时间间隔或者说，单位时间内发生了两次的概率，用指数分布
2、多个事件发生的时间间隔，用Gamma分布。
3、单位时间了发生了k次的概率，用泊松分布。
二、次数维度
1、一个事件重复了K次才发生的概率，用几何分布。
2、重复了n次，其中发生了k次的概率，用二项式分布。

通过对不同的分布进行混和，可以实现对复杂事件的描述。

参考文献：谈概率

沉木渡香
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
机器学习的概率论
gongdiwudu的专栏
07-26 1736
在我们的生活中，我们面临许多不确定的事件。股票价格是随机且不确定的。货币市场是不确定的。在 COVID-19 大流行期间，我们的生活充满不确定性（还记得那次吗？😷）。天气难以预测。有人可能会说，我们的生活是建立在随机性之上的。
有趣的机器学习——莫烦教程学习记录
留下的，留不下的
01-05 933
终于要开始学习机器学习了，之前偶尔看过，不成体系，更没有实践过。于是跟着莫烦机器学习的视频来学习，后面会有实战练习。光看视频，走马观花一般，一边下来，问问自己，好像什么也没记住，需要将学习到的知识在这里记录、梳理，并加深印象。 机器学习 什么是机器学习？ 机器学习是一种计算机理论，是计算机科学家想让机器像人一样思考而发展出来的，包含概率论、统计学等数学知识。 机器学习的一些应用：Google ...
机器学习 （四） 贝叶斯分类器原理及实战系统
李龙生
01-17 821
前言        前面介绍的k-近邻分类器有其自身优点也有不足，今天我们介绍下从另一个角度进行分类的算法，它是基于概率论为基础的分类，接触的机器学习算法多了之后也会体会到机器学习是集数学、概率论、统计学、数据挖掘、数据结构与算法等于一身的综合学科，重在根据理论基础来设计不同的算法解决现实生活中的问题，本人在实现每个算法之前会把相关概念也介绍一下，有助于大家理解后面的实现过程，也作为自己的一个随
AI随笔、
u012526436的博客
08-31 214
参数初始化 一般来说，正态分布的采样结果更多样化一些，但它理论上是无界的，如果采样到绝对值过大的结果可能不利于优化；相反均匀分布是有界的，但采样结果通常更单一。于是就出现了结合两者优点的“截尾正态分布”。截尾正态分布既指定均值μ\muμ和方差σ2\sigma^2σ2，也需要指定区间[a,b][a,b][a,b]，它从N(μ,σ2)\mathcal{N}(\mu,\sigma^2)N(μ,σ2)中采样，如果采样结果在[a,b][a,b][a,b]中，那么保留该结果，否则重复采样直到采样结果落到[a,b][a,
随笔记录——torch.squeeze/torch.unsqueeze
XD的博客
03-08 185
使用squeeze()移除输入的tensor中，大小为1的维度 import torch x = torch.zeros(2, 1, 2, 1, 2) y = torch.squeeze(x) y.shape torch.Size([2, 2, 2]) 使用squeeze()移除输入的tensor中，指定维度的大小为1的维度 y = torch.squeeze(x, 0) y.shape torch.Size([2, 1, 2, 1, 2]) y = torch.squeeze(x, 1) y.sha
机器学习+概率论基础一
12-07
在这个“机器学习+概率论基础一”中，我们将深入探讨这两个领域的基本概念以及它们在实际应用中的相互作用。 首先，让我们从机器学习开始。机器学习是人工智能的一个分支，它允许计算机系统通过经验来改善其性能，...
机器学习数学基础 概率论与数理统计.pptx
10-04
"机器学习数学基础 概率论与数理统计" 概率论与数理统计是机器学习的数学基础，掌握这些基础知识是理解和分析机器学习算法的关键。《机器学习数学基础：概率论与数理统计》这本书系统地介绍了概率论和数理统计在...
机器学习，概率论，人工智能
07-30
概率论视角的机器学习研究 Probability Generative models for discrete data Gaussian models Bayesian statistics Frequentist statistics Linear regression Logistic regression Generalized linear models and ...
机器学习基础之概率论与信息论.md
10-24
机器学习基础之概率论与信息论，里面包含一些代码实现和基础理论推导。
Oracle自治数据库上的机器学习笔记本现已支持GPU
engchina的专栏
09-12 388
Oracle自治数据库上的机器学习笔记本现已支持GPU
机器学习2--matplotlib绘图包
最新发布
qq_54641174的博客
09-12 205
matplotlib画图
机器学习概述
Afra_yanghongyun的博客
09-08 501
1.机器学习概念新的数据—＞输入—>训练—＞预测—>未知数据人工智能＞机器学习>深度学习2.涉及学科:微积分（偏导数，向量—值函数，方向梯度），概率论（bayes定理，组合学，抽样方法），计算科学，凸分析，算法复杂度3.机器学习发展史1950（阿兰.图灵创造了“图灵测试”）—＞1957（Frank Rosenblat设计出第一个计算机神经网络感知机）—＞1981（Geral Dejong提出基于解释的学习）—＞1990年代机器学习的方法从知识驱动转为数据驱动—＞2016。
【mechine learning-六-supervise learning之线性回归模型】
zishuijing_dd的博客
09-12 684
线性模型是人工智能监督学习中最广泛的应用，所以有必要先学习一下这个基础模型，做好基石。
机器学习中的数据详解：数据类型、划分、属性等
阿旭的博客
09-09 1581
机器学习中的数据详解：数据类型、划分、属性等
《A Few Useful Things to Know about Machine Learning》论文导读
谷哥的小弟
09-09 668
《A Few Useful Things to Know about Machine Learning》这篇论文为我们提供了关于机器学习的全面指导。通过深入理解机器学习的基本原理和核心要素，关注数据质量和特征工程的关键性，掌握模型选择与评估的实用技巧，并遵循实用建议和陷阱警示，我们能够更加有效地应用机器学习算法来解决实际问题，推动机器学习领域的持续发展和创新。
机器学习评估指标-学习篇
qq_38925911的博客
09-12 866
模型评估是机器学习和人工智能领域中的一个关键环节，它旨在对训练好的模型进行性能评估，以了解模型在未见过的新数据上的表现。模型评估的目的通过评估，确定模型在给定任务上的准确度、可靠性、泛化能力等指标。发现模型在特定类型数据或情境中的弱点，如过拟合、欠拟合或偏差。提供关于如何调整模型参数、优化数据处理方法的具体见解。评估结果是迭代开发过程中不可或缺的部分，帮助开发者在每个阶段优化模型。评估模型在现实世界复杂和不可预测数据上的表现，确保模型能够有效工作。样本集划分。
基于Python的机器学习系列（29）：前馈神经网络
不想宅的冷同学
09-07 297
选择合适的损失函数来计算预测值和真实值之间的差距。选择优化器来更新模型的权重。在本篇文章中，我们深入探讨了如何使用PyTorch构建一个前馈神经网络，并以线性回归为案例进行讲解。我们涵盖了从数据准备到模型训练的各个环节，包括指定输入和目标、使用数据集和数据加载器、定义线性层、选择损失函数和优化器。通过这些步骤，我们能够有效地利用PyTorch的强大功能来实现和训练神经网络。掌握这些基础知识将为我们进一步探索更复杂的深度学习模型奠定坚实的基础。
人工智能-GPU版本机器学习、深度学习模型安装
bw876720687的博客
09-12 552
为了根据当前环境自动判断是否使用 GPU，可以通过检测系统是否支持 GPU 加速，然后动态修改参数设置。你可以使用 LightGBM 和 XGBoost 的 API 来检测 GPU 支持情况，并根据结果在代码中自动选择 GPU 或 CPU。如果不支持 GPU，则切换到 CPU。1、在有Nvidia-GPU的情况下模型使用cuda加速计算，但是很有多模型的GPU和CPU版本安装方式不同，如何安装lgb\cat\xgb.注意：确保已经安装了 CUDA Toolkit，并且你的系统支持 NVIDIA GPU。
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

打赏作者

沉木渡香

感谢鼓励！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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