掘金同名！！

学习了很多的模型评估指标后，我们如何在合适的模型中使用合适的指标得出优秀的估计水准呢？最常用的就是最大似然估计。考虑一组含有mmm个样本的数据集X={x1,…,xm}\mathbb X=\{x^{1},\dots,x^{m}\}X={x1,…,xm}，独立地由未知的真实数据生成分布pdata(x)p_{data}(x)pdata​(x)生成。令pmodel(x;θ)p_{model}(x;\theta)pmodel​(x;θ)是一族由θ\thetaθ确定在相同空间上的概率分布。简单来说，pmodel(x;θ

继续紧接上文内容，接下来我们要学习统计领域的相关知识，统计领域给了我们很多工具来实现机器学习的目标，不仅可以解决训练集上的任务，还可以泛化。例如一些基本概念，估计、偏差和方差，对于正式刻画泛化、欠拟合和过拟合都非常有帮助。点估计试图为一些感兴趣的量提供一个单例“最优”预测。一般地，感兴趣的量可以是单个参数，或是某些参数模型中的一个向量参数，也有可能是整个函数。为了区分参数估计和真实值，我们习惯将参数θ\thetaθ的点估计表示为θ^\hat{\theta}θ^。令{x(1),…,x(m)}\{x^{(1)}

书接上回，机器学习的基础知识大家应该有所了解，今天再继续学习几个机器学习的概念，方便以后学习的理解。 机器学习算法的重点在于我们要能够在位置的数据中获得良好的结果，而不是只看在测试机中表现良好，要能够应对不同的数据输入，这种能力被称为泛化。通常情况下，我们在训练机器学习模型时候，我们往往希望能够有更少的测试误差，这些误差来源于不同的新输入的未训练的数据中，我们要考虑到这些未训练数据所占总体的概率分布。通常上我们从训练集中分裂出一部分作为测试集，通过这部分测试集来计算我们的模型训练的泛化误差（测试误差）。 在

深度学习已经成为了当代人类生活中不可缺少的部分，自从2006年被正式提出以来，经过十几年的发展演变，深度学习的进展在人类生活中创造了巨大的价值财富。也有更多的人希望能够从深度学习中学习到更多的知识，今天开始我从基础开始进行深度学习的系统学习。首先，需要大家有一定的基础知识的学习，其中包含线性代数、概率论与数理统计、简易数值计算等基础知识，这些知识在本科学习中都会有所学习，不清楚的可以简单回顾以下基本概念。更加熟练的基础功底，能够方便后续的知识学习。深度学习是机器学习的一个分支，我们如果要彻底的学习好深度学习