2. 程式人生 > >【udacity】機器學習

【udacity】機器學習

阿新 • • 發佈：2018-12-28

Evernote Export

2.人工智慧簡介

機器學習源自於人工智慧，在此方向上，該領域有分為不同學派，機器學習主要關注的是製造能夠自主動作的機器

3.人工智慧難題

1.所有智慧體都只有很少的計算資源、很低的處理速度和很小的記憶體，如何能讓AI實時提供作用？
2.所有的計算都是區域性的，但是大多數AI問題都具有全域性約束，如何才能讓AI解決全域性問題？
3.計算邏輯基本上是演繹邏輯，但是許多AI本質上是溯因性或歸納性的，如何解決AI的溯因性問題？
4.世界是動態變化的，知識是有限的，但是AI智慧體必須始終從它已知的東西開始，如何讓AI解決新問題？
5.推理和學習已經使事務變的複雜，但是解釋和證明增加了這種複雜性，如何讓AI解決複雜問題？

4.人工智慧問題的特點

1.在許多AI問題中，資料是陸續出現的，而不是一開始就有所有的資料
2.問題往往會重複出現，同類問題一再出現
3.問題在許多不同的抽象層面上出現
4.許多引人關注的AI問題難以通過計算來解決
5.外界是動態的，它不斷變化，但是有關外界的知識是相對不變的
6.外界是開放式的，但是有關外界的問題是有限的

5.人工智慧和不確定性

1.感測器無法識別系統以外的資訊
2.對手限制資訊
3.資訊的隨機性無法預測
4.計算機運算能力限制
5.全然無知情況

6.有哪些人工智慧問題

8.什麼是基於知識的人工智慧？

基於知識的三個基本過程
1.推理
2.學習
3.記憶

9.人工智慧的四個學派

Academic Application
Thinking semantic web
acting airplane autopilot
optimally machine learning
like humans improvisational robots

 

10.什麼是基於知識的人工智慧
觀察人類的行為可以幫助我們設計一個機器人觀察機器人設計可以幫助識別人類的認知模式
12.貝葉斯公式
貝葉斯描述：
P(A|B)中B是已知事件，A是我們關心的變數

P(A∣B)=P(B)P(B∣A)⋅ P(A)​

24.機器學習的定義

什麼是機器學習？
計算應用統計學

25.監督學習

監督學習：獲取已經標記的資料集，通過收集資訊以便標記新的資料集(函式逼近)

26.非監督學習

沒有樣本，只有輸入的關係，只能通過檢視輸入本身的關係來推匯出某些結構(簡潔的影響描述)。
 

27.強化學習

強化學習常常被描述為通過延遲獎賞(reward)進行學習，強化學習的反饋可能是你實際做出決策後經過幾個步驟才產生的。

28.歸納法與演繹法

所有的機器學習都是一種歸納法而不是演繹法
歸納是從一個示例得出更普遍規則的問題
演繹是從普通規則得到結果

29.歸納法、演繹法與溯因法

診斷就是溯因法的例項，歸納法不能保證結果是否適用於整個整體，溯因法也是一樣。
探尋一個結果是否正確的過程就是，追溯->歸納->演繹不斷迴圈的過程
35.分類法
引數、資料結構、隱含概念
資料標記、資料標記缺失、反饋
預測、關注事件、主動性、被動性
分類與迴歸

what what from what for how output detail  
parameter supervised prediction passive classification generative  
hidden unsupervised diagnose active regression discriminative  
certain reinforcement summarize online      
parameter     offline      

36.監督學習
在監督學習中，每一個特徵例項都提供了一個特徵向量，以及以Y命名的目標符號

Occams Razor
奧卡姆剃刀定律：在其他條件一樣的情況下，選擇較不復雜的假設
38.分類和迴歸
分類的特點是目標標籤或目標類是離散的
迴歸問題與分類問題有本質上的區別，溫度是一個連續值，我們的貝葉斯網路不能預測溫度，而只能預測離散類
39.線性迴歸

f(x)=w1​x+w0​

40.更多線性迴歸
損失函式

loss=j∑​(yj​−w1​xj​−w0​)2

**2.%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%AE%80%E4%BB%8B**%0A%60%60%60%0A%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E6%BA%90%E8%87%AA%E4%BA%8E%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%EF%BC%8C%E5%9C%A8%E6%AD%A4%E6%96%B9%E5%90%91%E4%B8%8A%EF%BC%8C%E8%AF%A5%E9%A2%86%E5%9F%9F%E6%9C%89%E5%88%86%E4%B8%BA%E4%B8%8D%E5%90%8C%E5%AD%A6%E6%B4%BE%EF%BC%8C%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E4%B8%BB%E8%A6%81%E5%85%B3%E6%B3%A8%E7%9A%84%E6%98%AF%E5%88%B6%E9%80%A0%E8%83%BD%E5%A4%9F%E8%87%AA%E4%B8%BB%E5%8A%A8%E4%BD%9C%E7%9A%84%E6%9C%BA%E5%99%A8%0A%60%60%60%0A**3.%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E9%9A%BE%E9%A2%98**%0A%60%60%60%0A1.%E6%89%80%E6%9C%89%E6%99%BA%E8%83%BD%E4%BD%93%E9%83%BD%E5%8F%AA%E6%9C%89%E5%BE%88%E5%B0%91%E7%9A%84%E8%AE%A1%E7%AE%97%E8%B5%84%E6%BA%90%E3%80%81%E5%BE%88%E4%BD%8E%E7%9A%84%E5%A4%84%E7%90%86%E9%80%9F%E5%BA%A6%E5%92%8C%E5%BE%88%E5%B0%8F%E7%9A%84%E5%86%85%E5%AD%98%EF%BC%8C%E5%A6%82%E4%BD%95%E8%83%BD%E8%AE%A9AI%E5%AE%9E%E6%97%B6%E6%8F%90%E4%BE%9B%E4%BD%9C%E7%94%A8%EF%BC%9F%0A2.%E6%89%80%E6%9C%89%E7%9A%84%E8%AE%A1%E7%AE%97%E9%83%BD%E6%98%AF%E5%B1%80%E9%83%A8%E7%9A%84%EF%BC%8C%E4%BD%86%E6%98%AF%E5%A4%A7%E5%A4%9A%E6%95%B0AI%E9%97%AE%E9%A2%98%E9%83%BD%E5%85%B7%E6%9C%89%E5%85%A8%E5%B1%80%E7%BA%A6%E6%9D%9F%EF%BC%8C%E5%A6%82%E4%BD%95%E6%89%8D%E8%83%BD%E8%AE%A9AI%E8%A7%A3%E5%86%B3%E5%85%A8%E5%B1%80%E9%97%AE%E9%A2%98%EF%BC%9F%0A3.%E8%AE%A1%E7%AE%97%E9%80%BB%E8%BE%91%E5%9F%BA%E6%9C%AC%E4%B8%8A%E6%98%AF%E6%BC%94%E7%BB%8E%E9%80%BB%E8%BE%91%EF%BC%8C%E4%BD%86%E6%98%AF%E8%AE%B8%E5%A4%9AAI%E6%9C%AC%E8%B4%A8%E4%B8%8A%E6%98%AF%E6%BA%AF%E5%9B%A0%E6%80%A7%E6%88%96%E5%BD%92%E7%BA%B3%E6%80%A7%E7%9A%84%EF%BC%8C%E5%A6%82%E4%BD%95%E8%A7%A3%E5%86%B3AI%E7%9A%84%E6%BA%AF%E5%9B%A0%E6%80%A7%E9%97%AE%E9%A2%98%EF%BC%9F%0A4.%E4%B8%96%E7%95%8C%E6%98%AF%E5%8A%A8%E6%80%81%E5%8F%98%E5%8C%96%E7%9A%84%EF%BC%8C%E7%9F%A5%E8%AF%86%E6%98%AF%E6%9C%89%E9%99%90%E7%9A%84%EF%BC%8C%E4%BD%86%E6%98%AFAI%E6%99%BA%E8%83%BD%E4%BD%93%E5%BF%85%E9%A1%BB%E5%A7%8B%E7%BB%88%E4%BB%8E%E5%AE%83%E5%B7%B2%E7%9F%A5%E7%9A%84%E4%B8%9C%E8%A5%BF%E5%BC%80%E5%A7%8B%EF%BC%8C%E5%A6%82%E4%BD%95%E8%AE%A9AI%E8%A7%A3%E5%86%B3%E6%96%B0%E9%97%AE%E9%A2%98%EF%BC%9F%0A5.%E6%8E%A8%E7%90%86%E5%92%8C%E5%AD%A6%E4%B9%A0%E5%B7%B2%E7%BB%8F%E4%BD%BF%E4%BA%8B%E5%8A%A1%E5%8F%98%E7%9A%84%E5%A4%8D%E6%9D%82%EF%BC%8C%E4%BD%86%E6%98%AF%E8%A7%A3%E9%87%8A%E5%92%8C%E8%AF%81%E6%98%8E%E5%A2%9E%E5%8A%A0%E4%BA%86%E8%BF%99%E7%A7%8D%E5%A4%8D%E6%9D%82%E6%80%A7%EF%BC%8C%E5%A6%82%E4%BD%95%E8%AE%A9AI%E8%A7%A3%E5%86%B3%E5%A4%8D%E6%9D%82%E9%97%AE%E9%A2%98%EF%BC%9F%0A%60%60%60%0A**4.%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E9%97%AE%E9%A2%98%E7%9A%84%E7%89%B9%E7%82%B9**%0A%60%60%60%0A1.%E5%9C%A8%E8%AE%B8%E5%A4%9AAI%E9%97%AE%E9%A2%98%E4%B8%AD%EF%BC%8C%E6%95%B0%E6%8D%AE%E6%98%AF%E9%99%86%E7%BB%AD%E5%87%BA%E7%8E%B0%E7%9A%84%EF%BC%8C%E8%80%8C%E4%B8%8D%E6%98%AF%E4%B8%80%E5%BC%80%E5%A7%8B%E5%B0%B1%E6%9C%89%E6%89%80%E6%9C%89%E7%9A%84%E6%95%B0%E6%8D%AE%0A2.%E9%97%AE%E9%A2%98%E5%BE%80%E5%BE%80%E4%BC%9A%E9%87%8D%E5%A4%8D%E5%87%BA%E7%8E%B0%EF%BC%8C%E5%90%8C%E7%B1%BB%E9%97%AE%E9%A2%98%E4%B8%80%E5%86%8D%E5%87%BA%E7%8E%B0%0A3.%E9%97%AE%E9%A2%98%E5%9C%A8%E8%AE%B8%E5%A4%9A%E4%B8%8D%E5%90%8C%E7%9A%84%E6%8A%BD%E8%B1%A1%E5%B1%82%E9%9D%A2%E4%B8%8A%E5%87%BA%E7%8E%B0%0A4.%E8%AE%B8%E5%A4%9A%E5%BC%95%E4%BA%BA%E5%85%B3%E6%B3%A8%E7%9A%84AI%E9%97%AE%E9%A2%98%E9%9A%BE%E4%BB%A5%E9%80%9A%E8%BF%87%E8%AE%A1%E7%AE%97%E6%9D%A5%E8%A7%A3%E5%86%B3%0A5.%E5%A4%96%E7%95%8C%E6%98%AF%E5%8A%A8%E6%80%81%E7%9A%84%EF%BC%8C%E5%AE%83%E4%B8%8D%E6%96%AD%E5%8F%98%E5%8C%96%EF%BC%8C%E4%BD%86%E6%98%AF%E6%9C%89%E5%85%B3%E5%A4%96%E7%95%8C%E7%9A%84%E7%9F%A5%E8%AF%86%E6%98%AF%E7%9B%B8%E5%AF%B9%E4%B8%8D%E5%8F%98%E7%9A%84%0A6.%E5%A4%96%E7%95%8C%E6%98%AF%E5%BC%80%E6%94%BE%E5%BC%8F%E7%9A%84%EF%BC%8C%E4%BD%86%E6%98%AF%E6%9C%89%E5%85%B3%E5%A4%96%E7%95%8C%E7%9A%84%E9%97%AE%E9%A2%98%E6%98%AF%E6%9C%89%E9%99%90%E7%9A%84%0A%60%60%60%0A**5.%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%92%8C%E4%B8%8D%E7%A1%AE%E5%AE%9A%E6%80%A7**%0A%60%60%60%0A1.%E4%BC%A0%E6%84%9F%E5%99%A8%E6%97%A0%E6%B3%95%E8%AF%86%E5%88%AB%E7%B3%BB%E7%BB%9F%E4%BB%A5%E5%A4%96%E7%9A%84%E4%BF%A1%E6%81%AF%0A2.%E5%AF%B9%E6%89%8B%E9%99%90%E5%88%B6%E4%BF%A1%E6%81%AF%0A3.%E4%BF%A1%E6%81%AF%E7%9A%84%E9%9A%8F%E6%9C%BA%E6%80%A7%E6%97%A0%E6%B3%95%E9%A2%84%E6%B5%8B%0A4.%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%BF%90%E7%AE%97%E8%83%BD%E5%8A%9B%E9%99%90%E5%88%B6%0A5.%E5%85%A8%E7%84%B6%E6%97%A0%E7%9F%A5%E6%83%85%E5%86%B5%0A%60%60%60%0A**6.%E6%9C%89%E5%93%AA%E4%BA%9B%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E9%97%AE%E9%A2%98**%0A!%5Bbba9a479a3886896e64e40a791679cd0.png%5D(en-resource%3A%2F%2Fdatabase%2F1210%3A1)%0A%0A**8.%E4%BB%80%E4%B9%88%E6%98%AF%E5%9F%BA%E4%BA%8E%E7%9F%A5%E8%AF%86%E7%9A%84%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%EF%BC%9F**%0A%60%60%60%0A%E5%9F%BA%E4%BA%8E%E7%9F%A5%E8%AF%86%E7%9A%84%E4%B8%89%E4%B8%AA%E5%9F%BA%E6%9C%AC%E8%BF%87%E7%A8%8B%0A1.%E6%8E%A8%E7%90%86%0A2.%E5%AD%A6%E4%B9%A0%0A3.%E8%AE%B0%E5%BF%86%0A%60%60%60%0A**9.%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%9A%84%E5%9B%9B%E4%B8%AA%E5%AD%A6%E6%B4%BE**%0AAcademic%7CApplication%7C%0A----------%7C------------%7C%0AThinking%7Csemantic%20web%7C%0Aacting%7Cairplane%C2%A0autopilot%7C%0Aoptimally%7Cmachine%C2%A0learning%7C%0Alike%C2%A0humans%7Cimprovisational%C2%A0robots%7C%0A!%5Bbf607ab0c238e637e2ab8f7d629b81a0.png%5D(en-resource%3A%2F%2Fdatabase%2F1212%3A1)%0A%0A**10.%E4%BB%80%E4%B9%88%E6%98%AF%E5%9F%BA%E4%BA%8E%E7%9F%A5%E8%AF%86%E7%9A%84%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD**%0A%E8%A7%82%E5%AF%9F%E4%BA%BA%E7%B1%BB%E7%9A%84%E8%A1%8C%E4%B8%BA%E5%8F%AF%E4%BB%A5%E5%B8%AE%E5%8A%A9%E6%88%91%E4%BB%AC%E8%AE%BE%E8%AE%A1%E4%B8%80%E4%B8%AA%E6%9C%BA%E5%99%A8%E4%BA%BA%E8%A7%82%E5%AF%9F%E6%9C%BA%E5%99%A8%E4%BA%BA%E8%AE%BE%E8%AE%A1%E5%8F%AF%E4%BB%A5%E5%B8%AE%E5%8A%A9%E8%AF%86%E5%88%AB%E4%BA%BA%E7%B1%BB%E7%9A%84%E8%AE%A4%E7%9F%A5%E6%A8%A1%E5%BC%8F%0A**12.%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%85%AC%E5%BC%8F**%0A%E8%B4%9D%E5%8F%B6%E6%96%AF%E6%8F%8F%E8%BF%B0%EF%BC%9A%0AP(A%7CB)%E4%B8%ADB%E6%98%AF%E5%B7%B2%E7%9F%A5%E4%BA%8B%E4%BB%B6%EF%BC%8CA%E6%98%AF%E6%88%91%E4%BB%AC%E5%85%B3%E5%BF%83%E7%9A%84%E5%8F%98%E9%87%8F%0A%24%24P(A%7CB)%3D%5Cfrac%7BP(B%7CA)%20%5Ccdot%5C%20P(A)%7D%7BP(B)%7D%24%24%0A%0A**24.%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%9A%84%E5%AE%9A%E4%B9%89**%0A%60%60%60%0A%E4%BB%80%E4%B9%88%E6%98%AF%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%EF%BC%9F%0A%E8%AE%A1%E7%AE%97%E5%BA%94%E7%94%A8%E7%BB%9F%E8%AE%A1%E5%AD%A6%0A%60%60%60%0A**25.%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0**%0A%60%60%60%0A%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0%EF%BC%9A%E8%8E%B7%E5%8F%96%E5%B7%B2%E7%BB%8F%E6%A0%87%E8%AE%B0%E7%9A%84%E6%95%B0%E6%8D%AE%E9%9B%86%EF%BC%8C%E9%80%9A%E8%BF%87%E6%94%B6%E9%9B%86%E4%BF%A1%E6%81%AF%E4%BB%A5%E4%BE%BF%E6%A0%87%E8%AE%B0%E6%96%B0%E7%9A%84%E6%95%B0%E6%8D%AE%E9%9B%86(%E5%87%BD%E6%95%B0%E9%80%BC%E8%BF%91)%0A%60%60%60%0A**26.%E9%9D%9E%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0**%0A%60%60%60%0A%E6%B2%A1%E6%9C%89%E6%A0%B7%E6%9C%AC%EF%BC%8C%E5%8F%AA%E6%9C%89%E8%BE%93%E5%85%A5%E7%9A%84%E5%85%B3%E7%B3%BB%EF%BC%8C%E5%8F%AA%E8%83%BD%E9%80%9A%E8%BF%87%E6%9F%A5%E7%9C%8B%E8%BE%93%E5%85%A5%E6%9C%AC%E8%BA%AB%E7%9A%84%E5%85%B3%E7%B3%BB%E6%9D%A5%E6%8E%A8%E5%AF%BC%E5%87%BA%E6%9F%90%E4%BA%9B%E7%BB%93%E6%9E%84(%E7%AE%80%E6%B4%81%E7%9A%84%E5%BD%B1%E5%93%8D%E6%8F%8F%E8%BF%B0)%E3%80%82%0A%60%60%60%0A%60%60%60mermaid%0Agraph%20TD%0AA%5B%E8%BE%93%E5%85%A5A%5D%20--%3E%7C%E6%9D%A1%E4%BB%B61%7C%20B%5B%E8%BE%93%E5%87%BAB%5D%0AA%5B%E8%BE%93%E5%85%A5A%5D%20--%3E%7C%E6%9D%A1%E4%BB%B62%7C%20C%5B%E8%BE%93%E5%87%BAC%5D%0A%60%60%60%0A**27.%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0**%0A%60%60%60%0A%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0%E5%B8%B8%E5%B8%B8%E8%A2%AB%E6%8F%8F%E8%BF%B0%E4%B8%BA%E9%80%9A%E8%BF%87%E5%BB%B6%E8%BF%9F%E5%A5%96%E8%B5%8F(reward)%E8%BF%9B%E8%A1%8C%E5%AD%A6%E4%B9%A0%EF%BC%8C%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0%E7%9A%84%E5%8F%8D%E9%A6%88%E5%8F%AF%E8%83%BD%E6%98%AF%E4%BD%A0%E5%AE%9E%E9%99%85%E5%81%9A%E5%87%BA%E5%86%B3%E7%AD%96%E5%90%8E%E7%BB%8F%E8%BF%87%E5%87%A0%E4%B8%AA%E6%AD%A5%E9%AA%A4%E6%89%8D%E4%BA%A7%E7%94%9F%E7%9A%84%E3%80%82%0A%60%60%60%0A**28.%E5%BD%92%E7%BA%B3%E6%B3%95%E4%B8%8E%E6%BC%94%E7%BB%8E%E6%B3%95**%0A%60%60%60%0A%E6%89%80%E6%9C%89%E7%9A%84%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E9%83%BD%E6%98%AF%E4%B8%80%E7%A7%8D%E5%BD%92%E7%BA%B3%E6%B3%95%E8%80%8C%E4%B8%8D%E6%98%AF%E6%BC%94%E7%BB%8E%E6%B3%95%0A%E5%BD%92%E7%BA%B3%E6%98%AF%E4%BB%8E%E4%B8%80%E4%B8%AA%E7%A4%BA%E4%BE%8B%E5%BE%97%E5%87%BA%E6%9B%B4%E6%99%AE%E9%81%8D%E8%A7%84%E5%88%99%E7%9A%84%E9%97%AE%E9%A2%98%0A%E6%BC%94%E7%BB%8E%E6%98%AF%E4%BB%8E%E6%99%AE%E9%80%9A%E8%A7%84%E5%88%99%E5%BE%97%E5%88%B0%E7%BB%93%E6%9E%9C%0A%60%60%60%0A**29.%E5%BD%92%E7%BA%B3%E6%B3%95%E3%80%81%E6%BC%94%E7%BB%8E%E6%B3%95%E4%B8%8E%E6%BA%AF%E5%9B%A0%E6%B3%95**%0A%60%60%60mermaid%0Agraph%20TD%0ARule(Rule)--%3ECause(Cause)%0ARule(Rule)--%3EEffect(Effect)%0A%60%60%60%0A%E8%AF%8A%E6%96%AD%E5%B0%B1%E6%98%AF%E6%BA%AF%E5%9B%A0%E6%B3%95%E7%9A%84%E5%AE%9E%E4%BE%8B%EF%BC%8C%E5%BD%92%E7%BA%B3%E6%B3%95%E4%B8%8D%E8%83%BD%E4%BF%9D%E8%AF%81%E7%BB%93%E6%9E%9C%E6%98%AF%E5%90%A6%E9%80%82%E7%94%A8%E4%BA%8E%E6%95%B4%E4%B8%AA%E6%95%B4%E4%BD%93%EF%BC%8C%E6%BA%AF%E5%9B%A0%E6%B3%95%E4%B9%9F%E6%98%AF%E4%B8%80%E6%A0%B7%E3%80%82%0A%E6%8E%A2%E5%AF%BB%E4%B8%80%E4%B8%AA%E7%BB%93%E6%9E%9C%E6%98%AF%E5%90%A6%E6%AD%A3%E7%A1%AE%E7%9A%84%E8%BF%87%E7%A8%8B%E5%B0%B1%E6%98%AF%EF%BC%8C%E8%BF%BD%E6%BA%AF-%3E%E5%BD%92%E7%BA%B3-%3E%E6%BC%94%E7%BB%8E%E4%B8%8D%E6%96%AD%E5%BE%AA%E7%8E%AF%E7%9A%84%E8%BF%87%E7%A8%8B%0A**35.%E5%88%86%E7%B1%BB%E6%B3%95**%0A%E5%8F%82%E6%95%B0%E3%80%81%E6%95%B0%E6%8D%AE%E7%BB%93%E6%9E%84%E3%80%81%E9%9A%90%E5%90%AB%E6%A6%82%E5%BF%B5%0A%E6%95%B0%E6%8D%AE%E6%A0%87%E8%AE%B0%E3%80%81%E6%95%B0%E6%8D%AE%E6%A0%87%E8%AE%B0%E7%BC%BA%E5%A4%B1%E3%80%81%E5%8F%8D%E9%A6%88%0A%E9%A2%84%E6%B5%8B%E3%80%81%E5%85%B3%E6%B3%A8%E4%BA%8B%E4%BB%B6%E3%80%81%E4%B8%BB%E5%8A%A8%E6%80%A7%E3%80%81%E8%A2%AB%E5%8A%A8%E6%80%A7%0A%E5%88%86%E7%B1%BB%E4%B8%8E%E5%9B%9E%E5%BD%92%0Awhat%7Cwhat%20from%7Cwhat%20for%7Chow%7Coutput%7Cdetail%7C%0A----%7C----%7C----%7C----%7C----%7C----%7C----%7C%0Aparameter%7Csupervised%7Cprediction%7Cpassive%7Cclassification%7Cgenerative%7C%0Ahidden%7Cunsupervised%7Cdiagnose%20%7C%20active%7Cregression%20%7Cdiscriminative%20%7C%0Acertain%7Creinforcement%20%7Csummarize%20%7Conline%20%7C%20%7C%20%7C%0Aparameter%7C%20%7C%20%7Coffline%20%7C%20%7C%20%7C%0A%0A*%20*%20*%0A**36.%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0**%0A%E5%9C%A8%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0%E4%B8%AD%EF%BC%8C%E6%AF%8F%E4%B8%80%E4%B8%AA%E7%89%B9%E5%BE%81%E5%AE%9E%E4%BE%8B%E9%83%BD%E6%8F%90%E4%BE%9B%E4%BA%86%E4%B8%80%E4%B8%AA%E7%89%B9%E5%BE%81%E5%90%91%E9%87%8F%EF%BC%8C%E4%BB%A5%E5%8F%8A%E4%BB%A5Y%E5%91%BD%E5%90%8D%E7%9A%84%E7%9B%AE%E6%A0%87%E7%AC%A6%E5%8F%B7%0A%5BOccams%20Razor%5D(https%3A%2F%2Fsimple.wikipedia.org%2Fwiki%2FOccam%2527s_razor)%0A%E5%A5%A5%E5%8D%A1%E5%A7%86%E5%89%83%E5%88%80%E5%AE%9A%E5%BE%8B%EF%BC%9A%E5%9C%A8%E5%85%B6%E4%BB%96%E6%9D%A1%E4%BB%B6%E4%B8%80%E6%A0%B7%E7%9A%84%E6%83%85%E5%86%B5%E4%B8%8B%EF%BC%8C%E9%80%89%E6%8B%A9%E8%BE%83%E4%B8%8D%E5%A4%8D%E6%9D%82%E7%9A%84%E5%81%87%E8%AE%BE%0A**38.%E5%88%86%E7%B1%BB%E5%92%8C%E5%9B%9E%E5%BD%92**%0A%E5%88%86%E7%B1%BB%E7%9A%84%E7%89%B9%E7%82%B9%E6%98%AF%E7%9B%AE%E6%A0%87%E6%A0%87%E7%AD%BE%E6%88%96%E7%9B%AE%E6%A0%87%E7%B1%BB%E6%98%AF%E7%A6%BB%E6%95%A3%E7%9A%84%0A%E5%9B%9E%E5%BD%92%E9%97%AE%E9%A2%98%E4%B8%8E%E5%88%86%E7%B1%BB%E9%97%AE%E9%A2%98%E6%9C%89%E6%9C%AC%E8%B4%A8%E4%B8%8A%E7%9A%84%E5%8C%BA%E5%88%AB%EF%BC%8C%E6%B8%A9%E5%BA%A6%E6%98%AF%E4%B8%80%E4%B8%AA%E8%BF%9E%E7%BB%AD%E5%80%BC%EF%BC%8C%E6%88%91%E4%BB%AC%E7%9A%84%E8%B4%9D%E5%8F%B6%E6%96%AF%E7%BD%91%E7%BB%9C%E4%B8%8D%E8%83%BD%E9%A2%84%E6%B5%8B%E6%B8%A9%E5%BA%A6%EF%BC%8C%E8%80%8C%E5%8F%AA%E8%83%BD%E9%A2%84%E6%B5%8B%E7%A6%BB%E6%95%A3%E7%B1%BB%0A**39.%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92**%0A%24%24f(x)%3Dw_1x%2Bw_0%24%24%0A**40.%E6%9B%B4%E5%A4%9A%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92**%0A%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0%0A%24%24loss%3D%0A%5Csum_j(y_j-w_1x_j-w_0)%5E2%0A%24%24%0A%0A%0A%0A%0A%0A%0A

 

相關推薦

【udacity】機器學習

Evernote Export body,td { font-family: 微軟雅黑; font-size: 10pt } 2.人工智慧簡介 機器學習源自於人工智慧，在此方向上，該領域有分為不同學派，機器學習主要關注的是製造能夠自主動作的機器 3.人工智慧難題 1

【udacity】機器學習-波士頓房價預測

import numpy as np import pandas as pd from Udacity.model_check.boston_house_price import visuals as vs # Supplementary code from sklearn.model_

【udacity】機器學習-神經網路

Evernote Export body,td { font-family: 微軟雅黑; font-size: 10pt } 1.神經網路 神經元 細胞的主體稱為細胞體，然後有軸突、突觸 他們構建的方式是可以調整的 我們會有一些輸入的放電訊號視為放電頻率或輸入的強度 X

【方法論】機器學習算法概覽

bootstra c4.5 enc letter 當下 重要 dial 最大 local http://blog.itpub.net/31542119/viewspace-2168911/ 1、 監督式學習 工作機制：這個算法由一個目標變量或結果變量（或因變量）組成。這

【ML2】機器學習之線性迴歸

【知識儲備】 線性迴歸： 1： 函式模型（Model）： 假設有訓練資料   那麼為了方便我們寫成矩陣的形式   2： 損失函式（cost）：  現在我們需要根據給定的X求解W的值，這裡採用最小二乘法。   

【ML1】機器學習之EM演算法（含演算法詳細推導過程）

        寫在前面的話：對於EM演算法（Expectation Maximization Algorithm， 最大期望演算法）， 大家如果僅僅是為了使用，則熟悉演算法流程即可。此處的演算法推導過程，僅提供給大家進階 之用。對於其應用，

【A】機器學習 過擬合與正則化

過擬合問題 預測房價的模型： 第一張圖對該資料做線性迴歸，可以獲得擬合數據的這樣一條直線，實際上這並不是一個很好的模型。很明顯，隨著房子面積增大，住房價格的變化趨於穩定或者說越往右越平緩。因此線性迴歸並沒有很好擬合訓練資料。我們把此類情況稱為欠擬合(un

【原始碼】機器學習中的投影牛頓型方法

機器學習中的投影牛頓型方法 我們考慮用於解決機器學習及相關領域中出現的大規模優化問題的投影牛頓型方法。 We consider projected Newton-type methodsfor solving large-scale optimization

【轉載】機器學習頂級會議

以下是不完整的列表，但基本覆蓋。機器學習頂級會議：NIPS, ICML, UAI, AISTATS; （期刊：JMLR, ML, Trends in ML, IEEE T-NN）計算機視覺和影象識別：ICCV, CVPR, ECCV; （期刊：IEEE T-

【轉載】機器學習入門好文，強烈推薦

轉載自：https://www.cnblogs.com/subconscious/ 強烈推薦--入門必讀 如果你做好準備了，那一定耐心的讀完，你一定會有所收穫。（大概需要10分鐘） 　　在進入正題前，我想讀者心中可能會有一個疑惑：機器學習有什麼重要性，以至於要閱讀完這篇非常長的文章呢？

【 分類 】- 機器學習

專欄達人 授予成功建立個人部落格專欄

【轉】機器學習--- 分類演算法詳解

原文連結：http://blog.csdn.net/china1000/article/details/48597469 感覺狼廠有些把機器學習和資料探勘神話了，機器學習、資料探勘的能力其實是有邊界的。機器學習、資料探勘永遠是給大公司的業務錦上添花的

【乾貨】機器學習實戰——LBP特徵提取

作者：張旭編輯：欒志勇零全篇概述：LBP(Local Binary Pattern)演算法是一種

【筆記】機器學習所涉及到的“微積分”知識

前言，建議大家如果有打算把數學這塊兒搞明白，最好把考研的時候用的數三的三大本書（高等數學，概率論與數理統計、線性代數三本書）買過來，再研究下各個結論是如何證明的，學過的東西再拾起來很容易的。 本文主要內容： 極限 複習極限記號，無窮大無窮小階數 微分學

【乾貨】機器學習常用 35 大演算法盤點（附思維導圖）

本文將帶你遍歷機器學習領域最受歡迎的演算法。系統地瞭解這些演算法有助於進一步掌握機器學習。當然，本文收錄的演算法並不完全，分類的方式也不唯一。不過，看完這篇文章後，下次再有演算法提起，你想不起它長處和用處的可能性就很低了。本文還附有兩張演算法思維導圖供學習使用。 在本文中，

【2】機器學習之兄弟連：K近鄰和K-means

關鍵詞：從K近鄰到最近鄰，監督學習，資料帶lable，效率優化（從線性搜尋到kd樹搜尋），缺點是需要儲存所有資料，空間複雜度大。可以利用kd數來優化k-means演算法。 學習了kNN和K-means演算法後，仔細分析比較了他們之間的異同以及應用場景總結成此文供讀者參

【十】機器學習之路——logistic迴歸python實現

  前面一個部落格機器學習之路——logistic迴歸講了logistic迴歸的理論知識，現在咱們來看一下logistic迴歸如何用python來實現，程式碼、資料參考《機器學習實戰》。   首先看下我們要處理的資料， 我們要做的就是通過logistic

【 專欄 】- 機器學習理論與Python實現

機器學習理論與Python實現 注重理論與實踐的結合。從演算法原理出發，由淺入深，詳細介紹演算法的理論，並配合目前流行的Python語言，實現每一個演算法，以加強對機器學習演算法理論的理解、增強實際的演算法實踐能力，最終達到熟練掌

【七】機器學習之路——訓練集、測試集及如何劃分

  上一個部落格講了一個簡單的例子，根據手頭的房子大小和房價的資料來擬合房子大小和房價的關係曲線，當然這是一個非常簡單的一元一次方程，y=ax+b。但是最後咱們還少了一樣東西，不知道細心的同學有沒有發現，那就是咱們擬合曲線的準確度到底有多少呢？怎麼來檢測咱們擬合

【收藏】機器學習的Pytorch實現資源集合【附下載連結】

該專案用pytorch實現了從最基本的機器學習演算法：迴歸、聚類，到深度學習、強化學習等。該專案