机器学习数学基础学习总结(一)
来源:互联网 发布:众测平台数据安全 编辑:程序博客网 时间:2024/05/23 11:21
什么是机器学习
1.Arthur Samuel(1959),machine Learning:Field of study that gives computers the ability to learn without being explicitly programmed.
根据1959年,Arthur Samuel对机器学习的定义:在不针对计算机编程的情况下,赋予计算机学习能力的一个领域。
2.Tom Mitchell(1998),Well-posed Learning Problems:A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E.
一个更好的定义是1998年Tom Mitchell提出的:对于一个计算机程序,给它一个任务T和一个性能测量方法P,如果在经验E的影响下,P对T的测量结果得到改进,那么就说该程序从E中学习。
机器学习的分类
机器学习需要掌握的知识
Hacking Skills:计算机能力
Math & Statistics Knowledge:数理统计知识
Substantive Expertise:领域知识
从上图可以看出,机器学习就是数理统计知识的结合。
机器学习中的数学基础
机器学习所需要的数学知识主要有:微积分、概率论与统计和线性代数三类。
微积分:
常用的知识点:导数、泰勒公式、梯度、凸函数……
应用:“损失函数”最小化问题求解。概率与统计:
常用的知识点:条件概率、全概率、贝叶斯定理以及各种概率分布, 如:两点分布、二项分布、泊松分布、均匀分布、指数分布、正态分布。期望、方差、协方差等。
应用:
1.在监督学习中,通过训练集得到对整体数据分布的一个估计,也就是建立一个概率模型,然后通过该模型进行预测。
2.数据预处理,如在做机器学习之前,一般要初步统计下手中已知训练集的特征分布和标签分布,通过这些分布,大概可以判断出哪些特征与标签的相关性比较强。线性代数:
常用知识点:矩阵。
应用:常用在求解多为特征的最优参数时,可以简化计算过程,将繁杂的计算转化为简单的矩阵形式。如SVD算法。
注:本系列内容来源于“七月在线—机器学习数学基础班” 的学习总结和个人体会,刚刚接触机器学习,如有理解不当,还请大家多多指教,谢谢大家!
- 机器学习数学基础学习总结(一)
- 机器学习数学基础--(一)
- 机器学习(一)- 数学基础之统计概率
- 机器学习数学基础
- 机器学习数学基础
- 机器学习数学基础
- 机器学习-->数学基础
- 机器学习--(一)机器学习基础
- 机器学习数学基础(1)
- 机器学习的数学基础(1)
- 机器学习数学基础(二)概率
- 机器学习中的必修数学(一)
- 机器学习-微积分基础总结(一)
- 机器学习的数学基础
- 机器学习部分数学基础
- 机器学习中的数学基础
- 机器学习的数学基础
- 机器学习部分数学基础
- redis集群的搭建
- 分布式数据库理解
- Promise对象的含义和基本用法
- day20 File类
- 含有中文名称的图片资源无法访问
- 机器学习数学基础学习总结(一)
- 493. Reverse Pairs
- android view宽高确定
- TensorFlow学习笔记--mnist可视化版本
- UIPickerView
- Java变量类型间的相互转换
- 用 Lua 实现一个微型虚拟机-基本篇
- 【转】CentOS添加环境变量
- 十五、Hive 安装部署及测试