机器学习笔记之基础数学知识(一)

协方差

定义:

CovXY=E((XE(X)(YE(Y)))=E(XY)2E(Y)E(X)+E(X)E(Y)=E(XY)E(X)E(Y)

从直观上来看,协方差表示的是两个变量总体误差的期望。
如果两个变量的变化趋势一致,也就是说如果其中一个大于自身的期望值时另外一个也大于自身的期望值,那么两个变量之间的协方差就是正值;如果两个变量的变化趋势相反,即其中一个变量大于自身的期望值时另外一个却小于自身的期望值,那么两个变量之间的协方差就是负值。
如果X与Y是统计独立的,那么二者之间的协方差就是0,因为两个独立的随机变量满足 E[XY]=E[X]E[Y]
但是,反过来并不成立。即如果X与Y的协方差为0,二者并不一定是统计独立的。
协方差Cov(X,Y)的度量单位是X的协方差乘以Y的协方差。而取决于协方差的相关性,是一个衡量线性独立的无量纲的数。
协方差为0的两个随机变量称为是不相关的。

协方差矩阵

对于n个随机向量 (x1,x2,,xn) 任意两个元素 xi xj 都可以得到一个协方差,从而形成 nn 的矩阵,协方差矩阵是对称阵,且对称阵的不同特征值对应的特征向量正交。

Cij=E((xiE(xi)(xjE(xj)))

C=c11cn1c12cn2c1ncnn

对于随机变量 X,X k 阶原点矩为E(xk),1阶的原点矩是期望。 X k阶中心矩为 E((XE(X))k) ,2阶中心矩是方差。
随机变量的矩和样本的矩有什么关系呢?

1.样本是独立同分布
2.可以通过样本 x1,x2,,xn 方便的计算样本的k阶矩
3.如果我们假设样本的k阶矩等于总体的k阶矩,可估计出总体的参数

矩估计

设总体的期望为 μ ,方差为 σ2 μ σ )未知,则有原点矩的表达式

E(X)E(X2)=μ=Var(X)+(E(X))2=σ2+μ2

根据该总体的一组样本求的原点矩:
A1A2=1ni=1nxi=1ni=1nxi2

跟据各自阶的中心矩相等令 A1=E(X),A2=E(X2) 得:

μ^σ^2=x¯=1ni=1nxi=1ni=1n(xix¯)2

于是得到了总体的 μ^ σ^2 的估计值。

Machine Learning(机器学习)是研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域,它主要使用归纳、综合而不是演绎。在过去的十年中,机器学习帮助我们自动驾驶汽车,有效的语音识别,有效的网络搜索,并极大地提高了人类基因组的认识。机器学习是当今非常普遍,你可能会使用这一天几十倍而不自知。很多研究者也认为这是最好的人工智能的取得方式。在本课中,您将学习最有效的机器学习技术,并获得实践,让它们为自己的工作。更重要的是,你会不仅得到理论基础的学习,而且获得那些需要快速和强大的应用技术解决问题的实用技术。最后,你会学到一些硅谷利用机器学习和人工智能的最佳实践创新。 本课程提供了一个广泛的介绍机器学习、数据挖掘、统计模式识别的课程。主题包括: (一)监督学习(参数/非参数算法,支持向量机,核函数,神经网络)。 (二)无监督学习(聚类,降维,推荐系统,深入学习推荐)。 (三)在机器学习的最佳实践(偏差/方差理论;在机器学习和人工智能创新过程)。本课程还将使用大量的案例研究,您还将学习如何运用学习算法构建智能机器人(感知,控制),文本的理解(Web搜索,反垃圾邮件),计算机视觉,医疗信息,音频,数据挖掘,和其他领域。 本课程需要10周共18节课,相对以前的机器学习视频,这个视频更加清晰,而且每课都有ppt课件,推荐学习。 我和我的团队翻译了部分视频,目前已经翻译完毕,内嵌中英文字幕,推荐使用potplayer。此外,我无偿把字幕贡献给了网易云课堂,他们开了免费课:吴恩达机器学习。 这篇中文笔记,主要是根据视频内容和中文字幕以及ppt来制作,部分来源于网络,如“小小人_V”的笔记,并持续更新。 本人水平有限,如有公式、算法错误,请及时指出,发邮件给我,也可以加我qq。 今日发现这个笔记被下载超过10万次,应该说这个笔记有点用,我发现以前一些翻译小错误,进行了修改,以免误导初学者。 黄海广 2018-3-7 夜
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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