本文介绍了机器学习的基本概念和分类，并深入探讨了机器学习所需的基础数学知识，包括微积分、导数、泰勒展开、方向导数、梯度和凸函数。此外，还详细讲解了概率论的基础，如古典概型、条件概率、全概率公式、贝叶斯推断以及常见的概率分布，如两点分布、泊松分布、均匀分布和正态分布。最后，简要提及了矩阵和线性代数中的SVD（奇异值分解）。
1、机器学习
1.1、概念定义
- 计算机从数据中学习出规律和模式，重新组织已有的知识结构使之不断改善自身，以应用在新数据上做预测任务。使计算机具备和人类一样的学习能力。
- 对于某个给定的任务T，在合理的性能度量方案P的前提下，程序可以自主学习任务T的经验E，随着任务的不断进行，经验的积累会带来计算机性能的提升。
- 机器学习的对象：任务，经验，性能。
1.2、机器学习的分类
- 监督学习：如用户点击/购买预测、房价预测 -------（预测标签）
对数据集中的每个样本，使用算法进行预测
回归：预测值是连续的
分类：预测值是离散的 - 非监督学习：如邮件/新闻聚类 -------------------------（预测标签）
- 强化学习：如动态系统以及机器人控制、自动驾驶-----只关心最后的结果（预测结果）
（强化学习：行为认知启发下的机器学习分支，感知环境，做出动作，根据奖惩状态反馈做出调整和选择）
2、数学基础
2.1、微积分—夹逼准则
最低0.47元/天 解锁文章
扫一扫
214
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
