机械学习—零基础学习日志003（归纳偏好）

最新推荐文章于 2025-12-06 17:00:00 发布

原创最新推荐文章于 2025-12-06 17:00:00 发布 · 340 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#学习 #机器学习 #人工智能 #ai

归纳偏好：

我用简单的语言来说明就是，你希望找到一个美丽聪明的女生当做妻子。那如果有一位很富有任性，又美丽聪明的女孩，以及一个贫穷体贴，又美丽聪明的女孩，她们都符合你的择偶观，只是你只能选择一个。

其实你会选择其中一个，就像算法，虽然都满足条件能解决问题，你最终还是会选择一个。

奥卡姆剃刀：

若有多个假设与观察一致，则选最简单的那个。

周志华老师课堂上说的话，很有哲理：简单的道理并不简单。以奥卡姆剃刀为例。

$ax^{3} + b$ 与 $ax^2 + bx + c$ ，这两种方式，哪一个公式更加简单？

你如何定义简单，这本身就不简单。

NFL（天下没有免费的午餐）：

我对（NFL）No Free Lunch Theorem.的理解是：任何事物都必定有代价。周老师书中提到，我们应该清楚的认识到脱离具体问题，空泛的谈论什么“学习算法更好”毫无意义。因为若考虑所有潜在问题，所有学习算法都一样好。

讨论算法的优劣，必然针对具体的学习问题。

在某个问题表现好的算法在另外一些问题上可能不尽如人意。所以学习算法自身的归纳偏好与问题是否匹配起到决定性作用。

深入了解学科，总发现学科背后的朴素价值观，总是包容了深刻的生活指导思想。

书籍参考：《机械学习》周志华清华大学出版社 2016年版

视频参考：周志华老师亲讲-西瓜书全网最详尽讲解-1080p高清原版《机器学习初步》 B站

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

学长小陈来帮你

关注关注

10
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

机器学习（周志华版）学习笔记（三）归纳偏好

weixin_41228571的博客

12-27

1559

定义：机器学习算法在学习过程中对某种类型假设的偏好。每种算法必有其归纳偏好，否则它将被假设空间中看似在训练集上“等效”的假设所迷惑，无法产生确定的学习结果。例子理解：编号色泽根蒂敲声好瓜 1 青绿蜷缩浊响是 2 乌黑

参与评论您还未登录，请先登录后发表或查看评论

Python机器学习：从入门到精通

YunWisdom

07-18

1214

当您翻开此书，您正踏入一场数据与智慧的修行。机器学习，并非冰冷的符码，而是机器模拟人类洞察世界的法门。本书将带您，以Python为舟，泛游于算法之海。我们不只传授“术”，更探求其后的“道”——从数据的生灭流转中观照规律，于模型的迭代演进里体悟得失。愿您合上书卷时，收获的不仅是驾驭数据的技能，更有一双洞悉复杂、化繁为简的“智慧之眼”。现在，让我们一同启程。

红宝书单词学习笔记 list 1-25

丰锋的博客

07-06

760

"remain" 的第三人称单数。adj. 属同时期的；adj. 级别低的；v. （使）收缩；给予（以某种方式）；

Python机器学习：从零基础到项目实战

YunWisdom

07-21

3590

【电信运营商】广告+营销+P2P流量封堵：BRAS设备日志中提取特征进行业务再造

weixin_49199313的博客

07-15

2391

如何从BRAS设备原始日志中提取特征并转换为机器学习可用的特征向量。代码结合了日志解析、特征工程和图神经网络（GraphSAGE）技术，并参考了运营商网络实际部署规范。

图神经网络（GNN）核心：让低代码推荐拥有 “学习能力”

Daoyiyun的博客

10-14

688

传统神经网络（如 CNN、RNN）无法处理这类数据：CNN 擅长 “网格数据”（如图片的像素网格、表格的行列结构），RNN 擅长 “序列数据”（如文本的文字序列、用户的操作步骤），但面对不规则的图结构（比如 “客户表单” 可能关联 10 个组件，“日志组件” 仅关联 2 个组件），它们就会 “无从下手”。在低代码的图结构中，每个节点（如 “客户表单”）都有自己的 “邻居节点”（如 “姓名输入框”“销售流程”“日志组件”），节点间的边会附带 “权重”—— 关系越紧密，权重越高。

机器学习(ML)、深度学习（DL）和图像处理（opencv）专用英语词典

热门推荐

wyx100的专栏

07-07

2万+

机器学习(ML)、深度学习（DL）和图像处理（opencv）专用英语词典百度翻译 http://fanyi.baidu.com/ A AAN （Active Appearance Model）主动外观模型 Adam(adaptive moment estimation,适应性矩估计),Adam是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。Ad...

语法与风格优化AI工具通过自然语言处理技术，可对学术文本进行深度分析，提供包括句式结构优化、学术术语适配、逻辑连贯性增强等多维度改进建议。这类工具显著降低了非母语研究者的写作门槛，同时帮助母语使用者规

abi1021的博客

11-04

734

Ai论文网站排名（开题报告、文献综述、降aigc率、降重综合对比）1. aibiye2. aicheck4. 秒篇5. 论文宝6. 掌桥科研7. 松果AI写作10. 易笔AI12. 文思助手学术研究工具市场在2025年呈现突破性发展态势，以人工智能为核心的论文辅助系统在技术能力和操作便利性方面取得跨越式进步。主要技术供应商通过深度优化算法架构，使系统响应速度提升40%，交互界面符合人机工程学设计标准。值得注意的是，部分平台开始集成区块链技术，确保学术成果的可追溯性与版权保护。

AAAI2020论文列表（中英对照）

dovings的博客

07-04

7313

AAAI2020论文列表（中英对照）

机器学习在IT运营中的应用：5个预测性维护和自动化案例

本文首先介绍了预测性维护的理论基础，包括概念、重要性以及与传统维护方法的比较，并着重探讨了机器学习模型在其中的应用，包括监督式与非监督式学习、时序数据分析和异常检测技术。随后，文章通过数据中心、网络...

【LS-PrePost精通之路】：从入门到精通，系统学习与案例实践分析

![【LS-PrePost精通之路】：从入门到精通...第一章为初学者提供了软件的基础介绍，第二章则详细阐述了操作界面布局、工程管理以及视图操作，为用户定制界面和工程操作打下基础。在第三章中，我们深入探讨了高级模型操作

【CATIA2018用户反馈案例深度分析】：从真实报告中学习错误解决之道

# 摘要本文针对CATIA2018软件的用户反馈进行深入研究，旨在提升软件质量和用户体验。首先，通过理论分析，本文概述了CATIA2018的软件架构与主要功能模块，并对收集到的用户反馈数据进行分类。接着，具体案例分析...

从信息到知识到智能——理解和改变世界：目的论：Why

AI天才研究院

09-24

1991

由于信息爆炸的到来，使得我们很容易丢失重要的信息。因此，知识就是对信息的整理归纳提炼，而智能则是指人工智能和机器学习等技术的应用。当把目光投向不同层面的智慧时，就会发现无处不在的监控系统、社交网络、搜索引擎、推荐系统、图像识别系统……但是，如何将这些复杂的系统串联起来成为一个更好的整体？如何让它们能够协同工作，共同完成一项任务？如何实现更高效、低成本地处理大量数据？

探索 10bit 100MS/s 流水线Pipelined ADC电路：0.18um工艺下的宝藏学习资源

最新发布

qq__27699885的博客

12-06

365

10bit 100MS/s 流水线Pipelined ADC电路，采用0.18um工艺，直接可以用，直接可以跑仿真，包含实际电路和各模块的测试电路，有效位9.5bit，适合学习。最近在研究ADC电路相关内容，发现了一个超赞的 10bit 100MS/s 流水线Pipelined ADC电路，基于0.18um工艺设计，简直就是学习ADC的神器，必须来和大家分享分享。

【PCIe 总线及设备入门学习专栏 5.4 -- Linux EP driver iommu 与 DMA】

CodingCos的博客

12-04

本文介绍了IOMMU在Linux系统中的应用场景及关键概念。IOMMU主要用于PCIe设备DMA访问时的地址转换(IOVA→PA)、提供安全隔离以及支持虚拟化场景。文章对比了启用/关闭IOMMU的差异，详细说明了IOVA的使用时机，并列举了内核态地址转换的相关API，包括虚拟地址转物理地址(virt_to_phys)、用户态地址转换(get_user_pages)以及IOMMU相关转换(iommu_iova_to_phys)。特别指出CPU访问BAR时不经过IOMMU，只有PCIe设备DMA时才需要IOMM

算法题归类学习

qq_43751506的博客

12-05

353

删除排序链表中的重复元素II（LeetCode 82） - 全删除。删除排序链表中的重复元素（LeetCode 83） - 保留一个。删除链表的倒数第N个结点（LeetCode 19） - 快慢指针。二叉树的最大深度（LeetCode 104） - DFS/BFS。二叉树的最近公共祖先（LeetCode 236） - 递归查找。二叉树的层序遍历（LeetCode 102） - BFS队列。二叉树的中序遍历（LeetCode 94） - 递归/迭代。环形链表（LeetCode 141） - 快慢指针判环。

vite学习

qq_41549657的博客

12-04

619

核心优势极速开发启动：开发阶段不打包，直接让浏览器加载原生ESM,配合ebuild预购建第三方依赖，启动时间从webpack的秒级变为毫秒级热更新（HMR）快:只更新修改的模块，而非全量重建，大型项目热更新耗时<10ms按需编译：开发阶段仅编译当前请求的模块，而非全量打包内置对Typescript、JSX、CSS、静态资源的支持，无需复杂配置生产环境优化：基于Rollup打包，输出高度优化的静态资源，兼顾开发销量和生产性能<docs>Vite 处理.vue。

【Prompt学习技能树地图】LangChain原理及应用操作指南

致力于成为一名data scientist 的奋斗者

12-03

683

基础层主要解决两个核心问题：模型调用的统一化和数据存储的标准化。通过抽象接口设计，为上层应用提供了稳定、可预测的编程模型。表3.2：基础层核心组件概览组件类别核心功能解决的关键问题典型实现模型抽象统一模型调用接口屏蔽不同模型API差异存储抽象统一数据访问方式标准化各类存储系统操作文档处理多格式文档加载与转换统一文档处理流程PDF、HTML、Markdown解析接口规范定义标准化调用契约确保组件间兼容性BaseLLM、VectorStore接口。

学习笔记二十三：支持向量机-间隔与支持向量

dengdaijc的专栏

12-02

728

本文介绍了支持向量机(SVM)的基本原理。SVM通过在样本空间中寻找最优划分超平面来实现分类，其核心思想是最大化分类间隔以提高泛化能力。关键概念包括：划分超平面的数学表示（由法向量和位移项定义）、支持向量（决定超平面位置的最近样本点）以及间隔（反映分类置信度）。SVM的基本型是一个凸二次规划问题，通过最小化法向量范数平方来最大化间隔，同时满足所有样本正确分类的约束条件。该方法具有理论严谨、模型稀疏、全局最优等优势，是经典的分类学习算法。