
统计学习方法详细讲解
文章平均质量分 95
详细讲解机器学习原理,尤其是对机器学习原理进行细致的公式推导,从而帮助初学者更好的理解原理。
优惠券已抵扣
余额抵扣
还需支付
¥9.90
¥99.00
购买须知?
本专栏为图文内容,最终完结不会低于15篇文章。
订阅专栏,享有专栏所有文章阅读权限。
本专栏为虚拟商品,基于网络商品和虚拟商品的性质和特征,专栏一经购买无正当理由不予退款,不支持升级,敬请谅解。
herosunly
985院校硕士毕业,现担任算法工程师一职,获得优快云博客之星第一名,热衷于大模型算法的研究与应用。曾担任百度千帆大模型比赛、BPAA算法大赛评委,编写微软OpenAI考试认证指导手册。曾获得多项AI顶级比赛的Top名次,其中包括阿里云天池比赛第一名,科大讯飞分类挑战赛第一名,CCF信息分类比赛比赛第二名,开放原子分类比赛二等奖,CCF家族分类第四名,科大讯飞阿尔茨海默症预测挑战赛第四名,科大讯飞事件抽取挑战赛第七名。在技术创新领域拥有多项授权发明。曾辅导多位非科班出身的同学成功进入算法行业就业。希望和大家一起成长进步。
展开
-
详解矩阵求导法则
1. 向量对标量求导1.1 kronecker(克罗内克尔)delta1.2 标量对向量求导1.2.1 向量内积对向量的求导1.2.1 二次型的求导2. 向量对向量求导2.1 矩阵与向量的乘积对向量求导2.2 Hessian矩阵原创 2022-08-24 07:00:00 · 16211 阅读 · 7 评论 -
线性回归详解(代码实现+理论证明)
1. 使用numpy和tensorflow进行线性回归的案例1.1 使用numpy实现线性回归1.1.1 代码实现1.1.2 生成随机样本点1.1.3 训练模型得到线性回归的模型参数1.1.4 模型验证1.2 使用tensorflow实现线性回归1.2.1 导库1.2.2 生成随机样本点1.2.3 训练模型得到线性回归的模型参数1.2.4 显示线性回归模型结果2. 最小二乘法的证明2.1 极值法2.2 几何意义上的证明3.为什么最小二乘法采用的损失函数是平方损失4. 抑制过拟合原创 2022-08-21 07:00:00 · 10238 阅读 · 5 评论 -
概率论之大数定理与中心极限定理
1. 基本概念1.1 定律 vs 定理1.2 频率 vs 概率2. 前言3. 大数定理4. 中心极限定理 1.2 频率 vs 概率2. 前言3. 大数定理4. 中心极限定理开局先来两张图,第一张是浙大的概率论教材,第二张是陈希孺老师的概率论教材。定律(law)是根据实验证明出来的(有时候只是知其然不知其所以然),定理(theorem)是数学证明,有前提假设、证明过程和证明结果的。所以在这里使用定理更为合适。原创 2022-01-17 12:43:49 · 1034 阅读 · 1 评论 -
高斯分布的详细介绍
高斯分布在统计机器学习中占有举足轻重的作用。比如线性高斯模型、卡曼滤波(本质上也是线性高斯模型)、PCA。在卡曼滤波中**相邻的隐变量**服从线性高斯模型,如$z_{t-1}$和$z_t$服从$z_t=Az_{t-1}+B+\epsilon$。其中$\epsilon$为高斯噪声。顺便说一句,与隐变量相对应的另一种变量是观测变量。原创 2019-02-20 14:17:41 · 1316 阅读 · 0 评论 -
频率派和贝叶斯派
1. 理论详解1.1 频率派1.2 贝叶斯派2. 实例分析2.1 频率派2.2 贝叶斯派3. 总结原创 2019-12-12 11:22:06 · 11121 阅读 · 2 评论 -
统计学习方法详解之第一章统计方法及监督学习概论
文章目录1. 前言1.1 常见误区1.2 解决方法2. 统计学习的基本概念2.1 统计学习的定义2.2 统计学习的重要特点2.3 统计学习的对象2.4 统计学习的目的3. 统计学习的分类4. 统计学习方法三要素5. 模型评估与模型选择6. 泛化能力7. 生成模型与判别模型1. 前言 本课程主要是对李航老师的《统计学习方法》第二版进行深入的讲解。工欲善其事,必先利其器。所以为了帮助初学者提高学习效率,先简单讲解一下学习的误区和要点。1.1 常见误区 误区一:在学习过程中总想达到面面俱到,也就是必须原创 2021-08-08 16:55:30 · 2169 阅读 · 13 评论 -
统计学习方法详解之第十三章 无监督学习概论
0. 写在前面的话1. 无监督学习基本原理2. 基本问题2.1 聚类2.2 降维2.3 概率生成模型3. 无监督学习三要素4. 无监督学习方法4.1 聚类4.2 降维4.3 话题分析4.4 图分析原创 2022-01-14 16:32:12 · 26980 阅读 · 3 评论