中心极限定理，学习正态分布，学习最大似然估计

weixin_43258017

于 2019-05-12 15:25:26 发布

阅读量579

点赞数 1

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/weixin_43258017/article/details/90115326

版权

本文介绍了机器学习的基础，包括中心极限定理、正态分布和最大似然估计的概念，并探讨了最小二乘法与高斯分布的关系，以及为何选择平方损失函数。同时，讨论了全局最优和局部最优、导数、泰勒展开、梯度下降的推导和实现，以及L0、L1、L2范数在正则化中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.了解什么是Machine learning
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门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。
2.学习中心极限定理，学习正态分布，学习最大似然估计
3.推导回归Loss function
4.学习损失函数与凸函数之间的关系
平方损失函数（最小二乘法, Ordinary Least Squares ）（凸函数），最小二乘法是线性回归的一种，OLS将问题转化

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。