《Machine Learning》重点和难点
汤姆米切尔的经典书籍《Machine Learning》的学习辅导专栏,针对其中的重点与难点,做了相应的解答。供学习参考使用。
AI让世界更懂你
计算机科学与技术专业博士,主要研究方向为人工智能、自然语言处理、大规模语言模型和对话系统等。曾与微软小冰、微软小娜共同工作。兴趣广泛,包括并不限于人工智能,心理学,认知科学,语言学,数学,天文学等。让我们一起和AI,改进世界!
展开
-
ML的45问(4)——评估假设、贝叶斯与PAC可学习
1. 评估假设的意义评估假设的3个意义:确定哪个假设更具有普适性。当前样本训练出的数据错误率的可信度是多少。如何利用有限的数据,获得更好的假设。2. 置信区间的计算前提:n>30如果没有其他信息提供,则真实错误率errorD(h)error_D(h)与样本错误率errors(h)error_s(h)是一致的。计算示例,一般多用在计算最少赢手机的样例数是多少的题目。例如下题:要测试一假设原创 2017-06-04 21:41:45 · 1027 阅读 · 1 评论 -
ML的45问(3)——神经网络与感知器法则、反向传播算法
0. 写在前面今天我么你主要介绍关于人工神经网络的相关问题。1. 三种神经网络单元及其形式人工神经网络有3种基本的神经元,分别是感知器模型、线性单元和Sigmoid单元。1.1 感知器模型感知器模型是神经网络模型提出来的最早的神经单元之一。它比较简单,如果使用公式来表示的话: O(X→)=sgn(W−→⋅X→)O(\overrightarrow{X})=sgn(\overrightarrow{W}原创 2017-04-15 15:47:14 · 856 阅读 · 0 评论 -
ML的45问(2)——ID3算法详解
1. 写在前面这次我们主要介绍关于决策树的相关问题,尤其是针对ID3算法的一些问题进行相应的解答。2. ID3算法过程ID3的能处理的数据都是离散值的。接下来我们看算法:创建Root结点 如果Example都为正, 那么返回label=正的单节点数Root 如果Example都为副, 那么返回label=副的单节点数Root 如果Attribu原创 2017-04-09 11:31:55 · 2748 阅读 · 0 评论 -
ML的45问(1)——概念学习、归纳偏置与候选消除法
0. 写在前面从这章开始,我们针对机器学习的45问进行一个个的解答,这45问来自于Tom M.Mitchell的机器学习一书。大家可以参考一下。希望这45个问题能够解决一些关于机器学习相关知识的疑惑。1. 机器学习的定义机器学习的定义是: 对于某类任务T和性能度量P,如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善,那么我们称这个计算机程序在从经验E中学习。2. 学习问题的三个特征与选择原创 2017-03-20 21:08:21 · 2253 阅读 · 0 评论