机器学习-白板推导系列（笔记）

最新推荐文章于 2023-07-29 14:09:01 发布
最新推荐文章于 2023-07-29 14:09:01 发布
阅读量1.3k 收藏 2
点赞数
分类专栏： 机器学习-白板推导系列（笔记） 文章标签： 机器学习
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/qq_37945983/article/details/105093975
版权

机器学习-白板推导系列

  第一讲：数学基础-概率-高斯分布1-极大似然估计（2020/3/15-20：24）

第二讲：数学基础-概率-高斯分布2-极大似然估计-有偏vs无偏--二维（2020/3/15-21：13）

ps(有偏方差比无偏方差小，说明极大似然估计法估计的方差偏小了，这是因为有偏方差只是是对样本数据均值进行估计的方差，而忽略了样本的均值和真正的u有误差，所以有偏方差比无偏方差小)

 

 

 

 

 

 

本渣渣
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
白板推导系列 - SVM支持向量机
xiaomlu的博客
11-26 1098
支持向量机 视频地址 https://www.bilibili.com/video/av28186618 非常感谢这位up！真的好感谢！讲的很清楚！膝盖都跪碎了！ 感谢b站up主@shuhuai008 P1: 硬间隔SVM - 模型定义(最大间隔分类器) SVM有三宝：间隔，对偶，核技巧 SVM的三种类别： 1）Hard-Margin SVM 硬间隔SVM 2）Soft-Margin SVM 软间...
svm超详细推导
热门推荐
那什
04-10 3万+
支持向量机是一种二分类模型，他的基本想法就是基于训练集和样本空间中找到一个最好的划分超平面，将两类样本分割开来，首先你就要知道什么样的划分发才能称为“最”好划分 看上图，二维平面上有两类样本，一类是用‘+’表示，另一类用‘-’表示，那么中间那几条划分线每条都能将两类样本分割开来，但我们我们一眼就注意到中间那条加粗的划分超平面，似乎他是最好的，因为两类的样本点都离他挺远的，专业点说就...
机器学习 [白板推导]
weixin_53196770的博客
07-29 507
开个文章补一下白版推导吧，现在回过头来看这些都还是挺有用的，不把数学底层逻辑理清总有一种学了又好像没学的感觉。
机器学习（白板推导学习）
jiangchao98的博客
03-06 322
感知机 参考： 什么是感知机？ 机器学习感知机 证明感知机原始形式的收敛性（略） 感知机的原始形式以及对偶形式的对比： 如何理解感知机学习算法的对偶形式？ SVM 凸函数 凹凸函数本质是描述函数斜率增加减少的。语义上的凸为正，代表斜率在增加（单调不减）。凹为负，代表斜率在减少（单调不增）。 凸函数的二阶导数为正。 凸优化（待学习） 凸优化笔记10：凸优化问题 KTT Karush-Kuhn-Tucker (KKT)条件 - 知乎 (zhihu.com) .......
机器学习-白板推导学习笔记-1绪论
gigglehuahua的博客
01-27 423
本篇文章是根据视频（ link.）所作的学习笔记，旨在对机器学习的相关知识更好的理解和巩固。本人基础较弱，推导中看不懂的公式可能会细究，如果有理解不当之处也欢迎指出。 频率派VS贝叶斯派 -频率派认为数据的分布是未知固定的，对应于统计机器学习的知识，主要实现对模型的优化（建立概率或非概率模型、设置模型的LOSS函数，求解损失函数优化模型）。 -贝叶斯派则认为数据的分布是未知不固定的，借助一定的先验知识去寻求符合数据最优的分布。通常建立概率图模型，涉及到积分问题的求解。 假设datadatadata为X=(x
机器学习-白板推导系列-前17讲笔记.pdf
08-23
Notes for machine learning algorithm prove and details
白板推导机器学习-开篇
Harrytsz的博客
03-13 840
频率派 VS 贝叶斯派 机器学习中引入概率很自然，把数据当做是一个概率模型。 X：表示数据 data ——> 有 N 个样本，每个样本维度为 P： X=(x1x2...xN)N×PTX = (x_{1} x_{2} ... x_{N})^{T}_{N \times P}X=(x1​x2​...xN​)N×PT​ θ\thetaθ：表示参数 parameter 频率派：认为模型的参数 θ\th...
Python-机器学习白板推导系列
08-11
机器学习-白板推导系列
《机器学习-周志华》学习笔记
最新发布
10-17
为了训练一个真正有效、优化的模型，需要学习一下机器学习的理论知识。周志华的教材非常经典，但概念较多，特别是前两章，在学习中作了笔记，现分享出来，希望能有帮助。
机器学习scikit-learn使用笔记
02-24
本文来自于csdn，本文是一篇机器学习Scikit-learn的笔记，主要介绍Scikit-learn的安装和使用，希望会对您的学习有所帮助。sklearn库依赖于numpy、scipy、matplotlib库，首先安装numpy，然后安装scipy、matplotlib库...
机器学习——手推svm公式（硬间隔）
MaloFleur
04-18 945
关于核函数以及软间隔可以参考软间隔与核函数的选择 核函数主要用于把原始较低维数据映射到高维，使其“线性可分”
机器学习-白板推导系列
cengjing12的博客
05-20 649
机器学习-白板推导系列 本系列主要是对B站up主shuhuai008的机器学习手推系列的整理，下面是视频与对应的github的链接： 视频地址: https://www.bilibili.com/video/BV1aE411o7qd/?spm_id_from=333.788.videocard.0 GitHub：https://github.com/shuhuai007/Machine-Learning-Session 本系列的标题 Introduction 线性回归 线性分类 降维 支撑向量机 指数族分
机器学习-白板推导学习笔记-6支持向量机SVM1
gigglehuahua的博客
02-23 1067
本篇文章是根据视频（link.）所作的学习笔记，旨在对机器学习的相关知识更好的理解和巩固。本人基础较弱，推导中看不懂的公式可能会细究，如果有理解不当之处也欢迎指出。 之前介绍感知机算法的时候说到希望找到一个超平面，是两类数据不分错。我们想一下，仅仅要求不分错数据的超平面可能不止一个，而支持向量机SVM就是来寻找这个最优的超平面。怎么去定义和寻找这个最优超平面，就是本篇要介绍的内容。 依然采用判别模型 对数据进行分类。 硬间隔SVM（hard-margin SVM） 硬分隔SVM也叫做最大间隔分类.
白板推导系列 - 概率图模型
xiaomlu的博客
11-27 2239
概率图模型 P1 背景介绍 可以从两个角度来看概率图模型，即一个是概率，一个是图。 要预测其实概率就足够了，这个图，其实是一个工具。我们在数据结构中也有图，但都是比较抽象的；这里的图，其实是把原来数据结构中的图，赋予了概率，把概率嵌进去，使得整个模型更加清晰，也可以进一步构建更高级的模型。 我们先来看看概率这一块。 概率在建模过程中，其实是对现实问题的一个抽象。我们关注的问题，我们的数据往往是多...
机器学习-白板推导 P3_1 (线性回归)
qq_28404829的博客
09-06 193
机器学习-白板推导 P3 D={(x1,y1),(x2,y2)...(xN,yN)}D=\lbrace(x_1,y_1) ,(x_2,y_2) ...(x_N,y_N) \rbraceD={(x1​,y1​),(x2​,y2​)...(xN​,yN​)} xi∈Rp,yi∈R,i=1,2...Nx_i \in R^p, y_i \in R, i=1,2...Nxi​∈Rp,yi​∈R,i=1,2....
机器学习-白板推导-系列（十二）笔记：变分推断
我是一只小嵩鼠
02-22 428
本博客为（系列十二）的笔记，对应的视频是：【(系列十二) 变分推断1-背景介绍】、【(系列十二) 变分推断2-公式推导】【(系列十二) 变分推断3-再回首】、【(系列十二) 变分推断4-SGVI-1】、【(系列十二) 变分推断5-SGVI-2】。
机器学习-白板推导学习笔记-4线性分类2
gigglehuahua的博客
01-31 572
​ 本篇文章是根据视频（link.）所作的学习笔记，旨在对机器学习的相关知识更好的理解和巩固。本人基础较弱，推导中看不懂的公式可能会细究，如果有理解不当之处也欢迎指出。 本篇主要介绍线性分类中的软分类模型（硬分类模型见上篇），用概率的方法进行分类。包括概率判别模型中的逻辑回归，概率生成模型中的GDA和朴素贝叶斯。 概率判别模型：根据样本数据学习出一个模型，然后对待分类数据进行概率计算，结果与0.5进行比较即可分类。 概率生成模型：根据两类样本数据学习出两个模型，然后将待分类数据带入到两个模型中，比较
机器学习-白板推导-系列（六）笔记：SVM
我是一只小嵩鼠
01-27 426
本博客为（系列六）的笔记，对应的视频是：【(系列六) 支持向量机1-硬间隔SVM-模型定义】、【(系列六) 支持向量机2-硬间隔SVM-模型求解-引出对偶问题】等8个视频。
机器学习-最优分类.docx
06-25
一、最优分类任务 现有60组数据，首先对数据进行分类处理，将序号下标能被3整除的 分一类（测试集），其余分为一类（训练集），通过所学分类方法，分 析最优的模型和参数。 任务分工： 二、分类算法简介 分类算法和回归算法是对真实世界不同建模的方法。分类模型是认为模型的输出是离散的，例如大自然的生物被划分为不同的种类，是离散 的。回归模型的输出是连续的，例如人的身高变化过程是一个连续过 程，而不是离散的。因此，在实际建模过程时，采用分类模型还是回归 模型，取决于你对任务（真实世界）的分析和理解。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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