Machine Learning——A Probabilistic Approach学习笔记 序言

最新推荐文章于 2024-02-18 22:21:33 发布
原创 最新推荐文章于 2024-02-18 22:21:33 发布 · 399 阅读 · 3 ·
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

本书深入探讨了利用概率论工具进行机器学习的方法，强调基于模型的学习方式，并介绍了多种算法和应用模型。书中通过MATLAB软件PMTK实现了大部分方法，提供实践指导。

序言(preface)

简介(Introduction)：

  • 电子数据的涌入为自动化数据分析的需求创造了条件
  • 机器学习的目标：探测数据模式，寻找一般规律
  • 这本书提供了该领域的详细介绍

概率论方法(A probabilistic approach)：

  • 本书观点：机器从数据中进行学习的最好方法是使用概率论作为工具
  • 对任何基于推理的问题，概率推断都是一个可靠的方法
  • 事实上，这种方法称为“贝叶斯方法”
  • 我们所强调的是基于模型的方法——对任何给定的模型，都存在许多可用的算法；同样的，任意一个算法都存在许多应用模型。这种模块性让我们得以区分模型和算法。
  • 在本书中，我们会经常使用图表来做出解释，但是，它的核心在于探讨普适的机器学习的概率方法

实践出真知(A practical approach)

  • 本书包括的几乎所有方法都通过matlab编写的一个软件PMTK所实现
  • 下载：pmtk3.googlecode.com，pmtksupport.googlecode.com
  • MATLAB的购买：www.mathworks.com

致谢

 

 

 

Machine Learning-A Probabilistic Perspective笔记——第一章 INTRODUCTION
qq_34134404的博客
01-02 1842
Machine Learning-A Probabilistic Perspective笔记 MLAPP是统计机器学习领域内一本经典著作。就兴起先后顺序来说，统计机器学习较如今大火的深度学习神经网络更久远，不同于神经网络作为一个端到端的系统，将输入到输出过程看做一个黑匣子，统计机器学习更多地从概率论和数理统计角度诠释数据，可解释性更强。 2012版本分享链接（仅用于学术交流用途）： 链接: ...
Probabilistic Machine Learning：Introduction 概率机器学习：简介（2）-page38/858
价值知识传播者
02-18 1677
机器学习或ML的一个流行定义，由Tom Mitchell [Mit97]提出，如下所示：如果一个计算机程序在某类任务T上通过经验E学到了性能度量P，那么就说它在任务T上从经验E中学到了东西，并且在任务T中的性能，由性能度量P来衡量，在经验E的影响下提高。因此，有许多不同类型的机器学习，取决于我们希望系统学习的任务T的性质，我们用于评估系统的性能度量P的性质，以及我们给予它的训练信号或经验E的性质。在本书中，我们将从概率的角度讨论最常见的ML类型。
Machine Learning: a probabilistic approach
06-20
主要介绍机器学习、概率图形化模型及其应用。 2006年版，英国大学教材。
Probabilistic Machine Learning (Duke STA561)
04-20
Probabilistic Machine Learning (Duke STA561)
Machine Learning——A Probabilistic Approach学习笔记 第二章 概率（总结版）
ldc1513的博客
08-04 710
2.1引言 本书采用贝叶斯解释（概率是我们对事件的发生可能的预期） 2.2基本概念 离散随机变量： 概率：p(A) 条件概率：p(A|B) 联合概率：p(A,B) 乘法原理：p(A,B)=p(A|B)p(B) 加法原理： 贝叶斯法则： 无条件独立： 条件独立： 连续随机变量： 累积分布函数，cdf：，性质：单调递增，反函数存在，小于1 概率密度函数，pdf：，性质：非负，可大于1，积分为1 重要数据： 均值： 方差： 2.3常见离散分布 二项分布，多项分布，伯努利分...
Machine Learning——A Probabilistic Approach学习笔记 第一章 简介
ldc1513的博客
07-18 1309
第一章 简介(Introduction) 1.1 机器学习：what&why 数据洪流使得自动数据处理时代降临 机器学习的目的：自动学习数据模式 essential：概率论 跨领域的数据有一种“长尾”的特征，即少数常见而多数罕见，这意味着即使本书只关心较小的样本集合，得到的结果也同样有意义。 1.1.1机器学习的类型： 机器学习往往分为两类：有监督(supervised)学习和无监督(unsupervised)学习 有监督学习： 通过学习训练集{Xi,Yi}(i=1~N...
Probabilistic Machine Learning
09-22
概率机器学习（Probabilistic Machine Learning）是机器学习领域中一个重要的分支，它将概率论和机器学习结合起来，旨在处理不确定性和随机性问题。概率机器学习的主要目标是开发能够从数据中学习的概率模型，以便...
Machine Learning A Probabilistic Perspective.pdf
07-17
Machine Learning A Probabilistic Perspective.pdf ，经典的MLAPP
Machine Learning-A Probabilistic Perspec....zip
08-09
Machine Learning A Probabilistic Perspective Kevin P. Murphy
【2018新书】Machine Learning－A Practical Approach on the Statistical Learning Theory
08-06
【2018新书】Machine Learning－A Practical Approach on the Statistical Learning Theory
Probabilistic Machine Learning：Introduction 概率机器学习：简介（3）-page38~44/858
价值知识传播者
02-18 1058
在第1.2.2.2节中，我们手动指定了输入特征的转换，即多项式展开，(\phi(x) = [1, x_1, x_2, x_2^1, x_2^2, . . .])。其中 (\mu) 是均值，(\sigma^2) 是方差，(\sqrt{2\pi\sigma^2}) 是归一化常数，以确保密度积分为1。其中 (w) 是斜率，(b) 是偏移，(\theta = (w, b)) 是模型的所有参数。如果我们使用训练集来评估不同的模型，我们将始终选择最复杂的模型，因为它将具有最多的自由度，因此将具有最小的损失。
Probabilistic Machine Learning: An Introduction 读书笔记第一章
態猛的博客
07-29 1748
目录介绍1. 机器学习的定义2. 监督学习2.1 分类2.1.1 模型拟合2.1.2 不确定性2.2 回归 介绍 1. 机器学习的定义 目前广为接受的定义来自自 Tom Mitchell A computer program is said to learn from experience E with respect to some class of tasks T, and performance measure P, if its performance at tasks in T, as meas
概率机器学习和人工智能（Probabilistic machine learning and artificial intelligence_Nature2015）
mingo_敏
07-02 7180
This survey paper is regards to Probabilistic Machine Learning and Artificial Intelligence from Zoubin Ghahramani, which is published in Nature in 2015.URL: http://blog.youkuaiyun.com/shanglianlm/article/det
Probabilistic Machine Learning：Introduction 概率机器学习：简介（4）-page44~57/858 1.3非监督学习-1.4强化学习-1.5数据
最新发布
价值知识传播者
02-18 1187
1.3 无监督学习 在监督学习中，我们假设训练集中的每个输入示例 x 都有一个关联的输出目标集 y，我们的目标是学习输入输出映射。虽然这是有用的，也可能很困难，但监督学习本质上只是“美化的曲线拟合”[Pea18]。 一个可能更有趣的任务是尝试“理解”数据，而不仅仅是学习一个映射。也就是说，我们只获得观察到的“输入” D = {xn：n = 1：N}，没有任何对应的“输出” yn。这被称为无监督学习。 从概率的角度来看，我们可以将无监督学习的任务视为拟合形式为 p(x) 的无条件模型，该模型可以生成新的数据
《Machine Learning: A Probabilistic Perspective》深度解析
通过这些知识点的梳理，我们可以看到《Machine Learning: A Probabilistic Perspective》不仅仅是一本机器学习入门书籍，更深入地讲解了概率论在机器学习中的应用，提供了丰富的数学和理论支持。这使得它不仅适用于...
评论
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