“机器学习知识体系”的版本间的差异
跳到导航
跳到搜索
| 第16行： | 第16行： | ||
==机器学习概念== | ==机器学习概念== | ||
| − | === | + | ===机器学习问题=== |
| − | === | + | ===机器学习方法=== |
| − | === | + | ===机器学习调参=== |
| − | === | + | ===评价准则=== |
| − | == | + | ==算法== |
| − | === | + | ===机器学习算法=== |
| − | === | + | ===深度学习算法=== |
| − | == | + | ==机器学习流程== |
| − | === | + | ===数据获取=== |
| − | === | + | ===特征工程=== |
| − | === | + | ===模型选取与调优=== |
| − | === | + | ===模型验证与分析=== |
| − | == | + | ==开发框架== |
| − | === | + | ===ensorFlow=== |
| − | === | + | ===Pytorch=== |
| − | === | + | ===Keras=== |
| − | === | + | ===Scikit-Learn=== |
| − | === | + | ===Numpy=== |
| − | === | + | ===Pandas=== |
| − | === | + | ===Matplotlib=== |
2019年5月24日 (五) 03:19的版本
目录
数学基础
概率统计
- （1）频率学派与贝叶斯学派
频率学派亦称古典概型，是使用随机事件的发生的频率描写叙述概率的方法。在贝叶斯学派的观点下概率表示的是事件的不确定性大小，参数被预设为概率分布。在频率学观点中，参数被当做是一个需要我们求的确定的參数。而在贝叶斯观点中，參数的情况来自于一个预设的分布而不是一个确定的值。贝叶斯观点的优势在于在模型中引入参数的先验知识。比如在抛硬币的试验中。假设抛三次硬币出现了三次都是正面。那么依据频率学的观点，使用最大似然进行预计那么得到出现正面的可能性为1。这就是说以后都是以1的概率出现正面。相反在贝叶斯的理论中，引入一个合理的先验将会避免这样极端的结论。
- (2)随机变量
随机变量（random variable）表示随机试验各种结果的实值单值函数，体现了随机试验与唯一实值的映射关系，并且随机事件不论与数量是否直接有关，都可以数量化，即都能用数量化的方式表达随机试验的发生。
- (3)分布统计分布(frequency distribution)亦称“次数(频数)分布(分配)”。在统计分组的基础上，将总体中的所有单位按组归类整理，形成总体单位在各组间的分布。分布在各组中的单位数叫做次数或频数。各组次数与总次数(全部总体单位数)之比，称为比率或频率。将各组别与次数依次编排而成的数列就叫做统计分布数列，简称分布数列或分配数列。它可以反映总体中所有单位在各组间的分布状态和分布特征，研究这种分布特征是统计分析的一项重要内容。
