shanesu的博客

Chapter7 开始的答案，兹以广大网友参考

一、无偏估计百度：无偏估计是用样本统计量来估计总体参数时的一种无偏推断。估计量的数学期望等于被估计参数的真实值，则称此此估计量为被估计参数的无偏估计，即具有无偏性，是一种用于评价估计量优良性的准则。无偏估计的意义是：在多次重复下，它们的平均数接近所估计的参数真值。无偏估计常被应用于测验分数统计中。二、计算图片的组成分布p(x)用途：如果我们知道的图片的分布p(x)，我们就可以生成新的图片，判断异常...

一、问题在最初的计算中，我们默认先验分布和后验分布同分布（共轭分布）。但在实际中，后验分布并不一定符合某一个分布。 例如，likelihood是一个神经网络，和先验的计算结果就不是一个标准的共轭分布 这时候，我们就要找到一个分布可以无限逼近后验分布 二、Mean field计算方法1、我们假设后验分布是多个q（z）的乘积结果 2、而这边的q（z）属于一个特定的分布范围3、我们的目标是确保每一

本文内容主要总结自coursera课程Bayesian Methods for Machine Learning 本文内容延续自《贝叶斯网络（1）- 基础概念》 https://blog.youkuaiyun.com/qq_36080693/article/details/80160852一、基础知识1、Expectation Maximization鸡和蛋问题...

本文内容主要总结自coursera课程Bayesian Methods for Machine Learning一、什么是贝叶斯概率有一个问题，我们有一个硬币，怎么判断这个硬币投掷后，显示正面的概率呢？频率学派：我们可以投掷这个硬币100次，看有多少次是正面，这个结果应该趋近于硬币投掷正面的概率。贝叶斯学派：从生活经验上，硬币投掷到正面的概率是50%，那么我们对于显示正面的...

本文所有内容整理自Coursera - Advanced Machine Learning- How to Win a Data Science Competition: Learn from Top Kagglers定义evaluation metrics基本概念一般来说，优化矩阵由组织者按照业务需求定义有些情况下，优化目标不太好量化，需要直觉判断转换为其他优化矩阵观察优化矩阵优化的趋势是

本文所有内容整理自Coursera - Advanced Machine Learning- How to Win a Data Science Competition: Learn from Top Kagglers一、分析问题1、问题类型： 2、数据量大小 3、硬件需要 4、软件需要 5、评估模型是什么 6、有没有一些相关的历史代码二、探索性数据分析基本操作1、通过hist图查

一、概念基本概念1、解决什么问题：信息过载 2、使命：联系用户和信息 3、区别于分类网站（2345、雅虎）：覆盖面广、具有个性化 4、区别于搜索引擎（Google）：主动、用户不需要提供明确需求推荐系统的数据来源1、用户：用户属性、用户标签、社交网络、ip地址、网络设备、位置定位 2、物品：物品属性、物品标签 3、用户 《— 行为 —》物品推荐系统的评测指标1、用户满意度：在线指标 2、

>>本文所有内容整理自Coursera - Advanced Machine Learning-How to Win a Data Science Competition: Learn from Top KagglersAdvanced Machine Learning一、average最基础的，将不同模型的结果平均（或加权平均），得到最终的估计二、bagging概念：相同模型不同参数...

2015年11月9日，Google发布人工智能系统TensorFlow并宣布开源。 【TensorFlow】是 Google 多年以来内部的机器学习系统。如今，Google 正在将此系统成为开源系统，并将此系统的参数公布给业界工程师、学者和拥有大量编程能力的技术人员。近期开始尝试对TensorFlow进行学习，因为习惯了windows系统和anaconda、spyder的python开发环境，以下

hadoop Cloudera virtual machine 操作week18 spark data preparation for MLpyspark #启动网页窗口 Downloads/big-data-4/handling-missing-values.ipynb[1] from pyspark.sql import SQLContext ##加载SQLContextsqlContext

以身高、体重的线性关系为例身高体重17077165651556017885x：身高   y：体重   y = ax+b1、传统机器学习方法参数a、b是一个确定的值，通过拟合线性方程，我们可以根据数据集得到一个确定的a和b值得到a和b值后，如果我们得到一个新的身高 190，就可以通过公式计算出体重（1.1367*190-118）2、贝叶斯方法参数a、b并不是一个确定的值，而是属于某一个概率分布。为什...