文章目录
机器学习数学基础——概率论与贝叶斯先验
一、引入
代码:
应用:商品推荐
解决办法:
公路堵车模型:
二、概率公式
贝叶斯公式的应用
在给定一些样本的条件下,求事件θ的发生概率
三、分布
(一)两点分布(离散的)
(二)二项分布Bernoulli distribution(离散的)
(三)考察Taylor展式(离散的)
(四)泊松分布Poisson distribution(离散的)
(五)均匀分布(连续的)
(六)指数分布(连续的)
指数分布的无记忆性
(七)正态分布
二元正态分布图
(八)总结
(九)Beta分布
(十)Bernoulli分布
Sigmoid/Logistic函数
Sigmoid函数的导数
(十一)Gaussian分布
四、事件的独立性
(一)不同数据类型期望的定义方法
(二)期望的性质
(三)例子
计算期望
集合Hash问题
五、方差
六、协方差
(一)协方差的意义
(二)协方差的上界
(三)协方差上界定理的证明
(四)Pearson相关系数
(五)代码
七、协方差矩阵
八、切比雪夫不等式
九、大数定律
(一)大数定律的意义
(二)重要推论(事件发生的频率只要这个事件足够多,这个事件的频率无相接近其概率)
十、中心极限定理
(一)中心极限定理的意义