![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习基石(台湾大学)
文章平均质量分 73
云金
生命不止,学习不尽。
展开
-
机器学习导学(一)
这个系列的博客是通过观看台湾大学林軒田的机器学习系列视频《机器学习基石》所做的笔记。一、本系列课程的四个问题学习本课程主要解决四个问题,1.什么时候机器可以学习?2.为什么机器可以学习?3.机器怎样学习?4.怎样让机器学习的更好?二:什么是学习?在搞明白什么是机器学习之前,我们先思考一下我们人类是怎么学习的。小孩是怎样学习讲话的呢?小孩其实是通过听、观察大人们的原创 2015-12-17 21:14:35 · 655 阅读 · 0 评论 -
机器学习做二元分类问题(二)
接着上一节我们举得例子,我们说机器学习的流程是什么呢?首先我们要有一个学习的演算法,我们叫做A,这个演算法会看资料,然后会看我们的假设函数集合,从集合中选择一个假设函数做为我们的银行学到技能。这其实就是一个使用机器学习做是非题的问题。 那么假设函数集合是什么样子呢? 我们把每一个使用者当做一个向量X(年龄,工作年限,年薪),每一维都当做一个特征,我们把然后我们根据这个向量计算出来一个原创 2015-12-21 12:39:49 · 12220 阅读 · 0 评论 -
机器学习种类(三)
本节课是一个综述性质的章节,只是了解,后续主要讲的还是分类和回归。 主要介绍了不同种类的机器学习,按照输出空间的类型分类,以及按照输入的类型进行分类按照输出空间可以分为二元分类,多元分类,回归分析,结构分析按照是否给定输出结果,分为:监督式学习,无监督式学习,半监督式学习本节没什么可写的,只是做一个记录。原创 2015-12-24 13:10:00 · 483 阅读 · 0 评论 -
机器学习的可行性(四)
一、机器无法学习的情况 先看一个例子吧: 给你两行图片,第一行的图片赋给它值是-1,第二行图片赋给它值是+1,问你下面这张图片的值是多少? 无论你回答+1还是-1,我可都可以说你的判断错误。一种是判断方法是:第一行的左上角的方格是黑色的,第二行的左上角都没有黑色,我就说左上角的方格是黑色的就认为是-1,反之则是+1。那么给出的那张图是-1。另外一种原创 2015-12-24 13:47:10 · 1034 阅读 · 0 评论 -
训练和测试的区别(五)
一、下面我们讲的是:为什么需要机器学习?上节课中,我们讲了机器学习的大致的训练过程是这样的:1.从样本出发,把样本传给机器。2.机器从一群的假设函数中找到一个最好的h使得E(in)(h)最小,这样的话,由于如果假设函数集合较小的话,我们认为E(in)(h)≈E(out)(h),也就是说此时E(out)(h)也是最小的 那么有一个问题是,既然我们想找到一个E(in)原创 2015-12-25 09:18:34 · 1411 阅读 · 0 评论 -
一般化理论(六)
上一节中,我们说我们的假设函数集合是无限大的,那么我们的想法是找到这样的一个成长函数来代替原来的无限大的假设函数集合数目。我们遗留的问题在perceptron的时候,我们的没有找到其成长函数。我们只是得出其break point 是4,我们猜想是不是其成长函数就是O(N三次方)呢?下面我们具体的讨论如果我告诉你一个假设函数集合的break point是2那么当N=1的时候我原创 2015-12-25 14:49:23 · 686 阅读 · 0 评论 -
VC 维度(七)
这一章节非常重要,也是有点难度的上节课我们知道,我们得到的一个结论是:我们的假设函数的成长函数,它的break point 是K,那么成长函数是小于边界函数B(N,k)的,边界函数是,边界函数的最大值是N的k-1次方那么我们把我们的B(N,K)的值和N的k-1次方的值列出来,会发现其实:也就是说成长函数会被N的k-1次方所限定。上节课我们还讲到说我们的任意一个假设函原创 2015-12-25 15:43:24 · 2946 阅读 · 0 评论 -
重新认识决策树系列算法和逻辑斯特回归(一)
一、决策树通俗到深入理解我们知道决策树可以用来分类,同样可以用来回归,我们主要其应用于分类的情况,回归其实是相似的。举一个例子,一家银行要确定是否给用户发信用卡,那么它要根据用户的基本信息来确定是否要发给这个用户,假设我们知道用户的信息如下:年龄是否有工作是否有自己的房子信贷情况性别青年、中年、老年原创 2016-07-16 19:42:13 · 2704 阅读 · 0 评论