机器学习数学基础(一)
从机器学习角度看数学
- 数学分析:导数与梯度、Taylor展式应用
- 概率论:古典概型、频率学派与贝叶斯学派、常见概率分布、sigmoid logistic函数引入
机器学习
概念
什么是机器学习?
什么是学习?
从完全无知到掌握知识,包括监督学习、无监督学习、增强学习
内涵与外延?
机器学习能解决给定数据预测问题,不能解决大数据存储并行计划,做一个机器人
流程
建模+预测
重点知识
线性回归、rate、Loss
EM算法
GMM
图像的卷积
去均值ICA分离
带噪声的信号分离
SVM 高斯核函数
HMM
LDA/pLSA
最大熵模型
聚类
降维
SVM
条件随机场
变分推导
深度学习
Code
- 基础画图
import math
import matplotlib.pyplot as plt
if __name__ == "__main__":
x = [float(i)/100.0 for i in range (1,300)]
y = [math.log(i) for i in x]
plt.plot(x,y,'r-',linewidth