十一月里美的博客

5：Logistic regressionstep1step2.goodness of function可以最大化L的w和b最佳转为求最小化-LnL(w,b)属于class1的标1，class2的标0cross entropy 算两个distribution有多接近最终是要使cross entropy最小则function最佳（target与output越接近越好）区别...

4：classification接上文classificationclassification：probabilistic generative model优化：减少参数——把不同的Gaussian给相同∑boundary：linear model总结如果所有维度都是独立的可以不用Gaussian用naive bayes classificationsigmoid fun...

4： Classification输入性质得出类型被宝可梦支配的恐惧输入数据找一个function实现classificationloss判断方法：分类错误的次数越小越好计算model的方法——几率要求P(c1)、 P(x|c1)、P(c2)、P(x|c2)从training data估算出这四个值的过程称为generative model有了它可以计算每一个x的出现几率...

3-1 Gradient DescentGradient Descent（《机器学习笔记1前半段》已学习了大概）其中ⴄ：learning rate 学习速度 是一个常数（g^t微分以后的常数项放在了ⴄ下面）将其可视画（gradient就是等高线的法向方向）（gradient一直在变方向，因为每次乘learning rate的时候都要取相反数）Tip 1 小心设置learning ...

2：where does the error come from？error来源于？bias和variance2.bias and variation of estimatorbias期望=均值则unbias （一开始就瞄准靶心）期望≠均值bias （未瞄准靶心）model越复杂bias越小（越复杂model set越大，越有可能包含靶心）variation（射出与瞄...

1：Regression-case study*宝可梦继续：） *1. how’s the results？average error on training data——31.9如何减少误差？①换个模型：如换成y=b+w1·xcp+w2·（xcp)^2+ w3·(xcp) ^3……越复杂的模型（仍然是线性）在training data上error下降，在testing data上er...

1：Regression-case study前半段李老师，为什么讲机器学习你说半天宝可梦！！完全不知道在说什么1.1.步骤step1：Modelb：贝叶斯step2：goodness of function上标：整体，下标：特性判断好坏用loss function（有多坏）红色代表非常大蓝色最小w为负不合理step3：best function2.gradien...

0-1 Introduction to machine learning一、：）河狸筑水坝：if"听到水流声音",筑堤坝直到听不到流水声1.人类设定好的天生本能：建特定规则，无法超越创造者2.机器学习：写关于学习的程序使它有学习的能力（根据提供的资料寻找function的能力）3.机器学习的框架：a set of function——training data——判断goodness o...