本文介绍了概率论的基本概念，包括随机事件、概率分布、伯努利分布、二项分布和高斯分布。接着，讨论了机器学习的核心，即通过数据自动构建映射函数，并区分了监督学习和无监督学习。重点讲述了模型、学习准则、损失函数、最优化问题，如经验风险最小化和随机梯度下降法。最后，探讨了在优化过程中学习率和小批量随机梯度下降法的重要性。
一、关于概率的一些基本概念
概率（Probability）：一个随机事件发生的可能性大小，为0到1之间的实数。
随机变量（Random Variable）
概率分布（Probability Distribution)
离散随机变量——伯努利分布
二项分布
连续随机变量——概率密度函数
高斯分布
累积分布函数(Cumulative Distribution Function, CDF）：随机变量X的取值小于等于x的概率
随机向量联合概率分布、条件概率
采样（Samoling）：给定一个概率分布，生成满足条件的样本，也叫抽样.
二、机器学习
机器学习~自动构建一个映射函数
现实世界的问题都比较复杂，很难通过规则来手工实现
如何构建映射函数：从大量数据中学习规律function
最低0.47元/天 解锁文章
521
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
