MLE 机器学习(施工中)

最新推荐文章于 2025-07-28 03:28:28 发布
原创 最新推荐文章于 2025-07-28 03:28:28 发布 · 757 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习

Supervised Learning监督学习

  1. regression problems
  2. classification problems
Regression：

集合set D，N个点，输入x，输出t
D=D =D= { (xn,tn):n=1,...,N(x_n,t_n):n = 1, ..., N(xn​,tn​):n=1,...,

最低0.47元/天 解锁文章
三轮银
关注
2024 AI 人工智能完整学习路线表
AI天才研究院
09-14 3644
本阶段讲解，人工智能的应用，人工智能的工作流程、基本概念，人工智能的任务和本质，KNN最近邻算法。本阶段讲解，python基础语法，Numpy科学计算模块，Pandas数据分析模块，Matplotlib和Seaborn数据可视化模块。本阶段讲解，微积分基础，线性代数基础，多元函数微分学，线性代数高级，概率论，最优化。本阶段讲解，多元线性回归，梯度下降法，归一化，正则化，Lasso回归，Ridge回归，多项式回归。
Python数据分析实战：物流业数据分析
AI天才研究院
02-19 2901
在当今快速发展的全球经济中，物流业作为连接生产和消费的重要纽带，正面临着前所未有的机遇与挑战。随着电子商务的蓬勃发展和消费者对快速、高效配送的需求不断增长，物流公司需要更智能、更精准的决策支持系统来优化其运营流程、提高服务质量并降低成本。然而，物流业每天产生的海量数据往往未被充分利用，其中蕴含的巨大价值尚待挖掘。这些数据包括但不限于订单信息、配送路线、车辆状态、仓储管理等各个环节的详细记录。如何有效地收集、处理、分析这些数据，并从中提取有价值的洞察，成为了物流业亟待解决的关键问题。
机器学习中的极大似然估计(MLE)、最大后验估计(MAE)
LIsaWinLee的博客
06-19 3万+
极大似然估计和最大后验概率估计的相关知识
机器学习面试必知：MLE最大似然估计与MAP最大后验概率
Neekity的博客
03-07 2473
MLE 模型已定，参数未知，MLE的目标就是找出一组参数，使得模型产生出的观测数据的概率最大arg maxu p(X;u)arg\ \underset{u}{max}\ p(X;u)arg umax​ p(X;u) 假设抛十次硬币TTTHTTTHTT（H正，T反）假设正面朝上的概率是uuu p(x;u)=∏ip(xi;u)=∏i=1nuxi(1−u)xip...
泛化理论部分笔记
qq_43858783的博客
02-22 1779
我们的最终目标是训练一个测试损失(总体损失population loss)较小的模型。但是，我们只在训练集上对模型进行训练，训练损失很小。那么小的训练损失是否适用于测试集？
机器学习 - MLE、MAP
呵呵
01-03 3793
研一给我们上机器学习课程的一个计算所老师的总结
机器学习系列之极大似然估计（MLE）
qq_34372112的博客
09-04 1311
绪论 在统计学中，极大似然估计（Maximum Likelihood Estimation）是用来估计模型参数的一种方法，就是利用已知样本的结果信息，反推出最有可能导致这样结果的模型参数值。一般情况下，我们用 θ\thetaθ 来表示模型的参数，所以解决问题的本质就是求θ\thetaθ。 举例1 现在假设有一枚不均匀的硬币，然后我们做了100次实验，一共60次正面，40次反面；我们设 θ\thet...
别等了！成为优秀AI系统架构师的秘诀速看
最新发布
AI天才研究院
07-28 907
你是否见过这样的场景：算法团队训练出准确率99%的模型，却在上线后因延迟太高被用户吐槽？或是数据量暴增后，原本流畅的AI系统突然"卡壳"？这些问题的背后，往往缺了一位优秀的AI系统架构师。不仅要懂AI模型，更要懂如何让模型在真实世界"活"起来。我们会从角色认知、核心能力、实战技巧到未来趋势，全方位拆解成为优秀AI系统架构师的"通关秘籍"。
大型语言模型中的幻觉研究综述：原理、分类、挑战和未决问题
qq_32907491的博客
05-05 4789
大型语言模型（LLM）的出现标志着自然语言处理（NLP）的重大突破，导致文本理解和生成的显着进步。然而，除了这些进步之外，LLM还表现出产生幻觉的关键倾向，导致内容与现实世界的事实或用户输入不一致。这种现象对它们的实际部署提出了重大挑战，并引起了对LLM在现实世界场景中的可靠性的担忧，这吸引了越来越多的关注来检测和减轻这些幻觉。在这项调查中，我们的目标是提供一个全面和深入的概述LLM幻觉领域的最新进展。我们开始与LLM幻觉的创新分类，然后深入研究的因素，有助于幻觉。
【机器学习】最大似然估计(MLE)和期望最大算法(EM)浅析
qq_44397802的博客
05-30 3604
极大似然估计（MLE）是一种直接通过最大化似然函数来估计模型参数的方法，适用于完全观测的数据。MLE 通过最大化观测数据的对数似然函数来找到最优参数。最大期望算法（EM）是一种迭代优化算法，适用于存在隐变量或不完全数据的情况。EM 通过交替执行期望步骤（计算隐变量的期望对数似然函数）和最大化步骤（最大化期望对数似然函数）来逐步优化参数估计。
机器学习中的MLE、MAP和贝叶斯估计
LPFFFFF的博客
04-22 519
原文地址 https://cloud.tencent.com/developer/news/219953
从MLE和MAP的角度看深度学习
weixin_37721058的博客
12-03 678
参考链接： MAP和MLE的区别 目标函数和损失函数 为什么和谈MAP和MLE 现代机器学习的终极问题都会转化为解目标函数的优化问题，MLE和MAP是生成这个函数的很基本的思想，因此我们对二者的认知是非常重要。比如我们OCR中遇到的其实就是最大似然函数出发的，还有我们所熟悉的交叉商损失函数，其实通过MLE也可以推导得到的。准确来说这两个其实就是我们思考一些问题可以出发的点。也能看到机器学习和深度学...
机器学习-损失函数
Bryan__的专栏
05-06 4060
损失函数（loss function）是用来估量你模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。损失函数是 经验风险函数 的核心部分，也是 结构风险函数 重要组成部分。模型的结构风险函数包括了经验风险项和正则项，通常可以表示成如下式子： 其中，前面的均值函数表示的是经验风险函数，L代表的是损失函数，
机器学习（周志华） 学习笔记 -- 模型的评估与选择
qq_34204989的博客
07-28 332
1.错误率（error rate）和精度 (accuracy) 分类错误的样本数占样本总数的比例成为错误率， 分类正确的样本数占样本总数的比例称为精度 例：m个样本中，有a个样本分类错误 错误率 E = a/m 精度 A = 1 - a/m 2.误差（error）, 经验误差（empirical error) ，泛化误差（generalization error） 误差（e...
8. An Efficient Framework for Clustered Federated Learning
doing a 责任心 dataer
04-29 2223
An Efficient Framework for Clustered Federated Learning；迭代式聚类；簇间共享；
新加坡国立大学李千骁：动力学系统与监督学习的关系探索
BAAIBeijing的博客
02-14 2006
2019年10月31日下午，在北京智源大会的“人工智能的数理基础专题论坛”上，学者李千骁做了题为《A Dynamic System Approach To DeepLearning-Ap...
对比学习顶会论文系列-3-2
Hekena的博客
03-23 1137
从文中的摘要中，文中给出了研究的目标缩减learning objective 和 evaluation metric之间的gap现在已有的在摘要抽取上的方法是以sequence 2 sequence 为主的学习框架，在这个框架下，一般是采用极大似然估计作为损失函数更新模型参数（maximum likelihood estimation——MLE training）
【机器学习基础】CH2 - 监督学习(2)线性模型
weixin_43831311的博客
09-15 348
1.
深度学习loss函数理解
热门推荐
luo2007专栏Gods determine what you're going to be！
09-29 4万+
监督机器学习问题无非就是“minimizeyour error while regularizing your parameters”，也就是在规则化参数的同时最小化误差。最小化误差是为了让我们的模型拟合我们的训练数据，而规则化参数是防止我们的模型过分拟合我们的训练数据。多么简约的哲学啊！因为参数太多，会导致我们的
概率视角下的机器学习精华
MLE）与最大后验估计（Maximum A Posteriori, MAP）**：书中介绍了参数估计的两种常用方法，MLE用于无偏估计，而MAP则考虑了先验信息，这两种方法都是机器学习中进行模型参数求解的重要手段。 3. **推断方法...
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值