admin 管理员组

文章数量: 1184232

作者：禅与计算机程序设计艺术

1.简介

近几年，随着深度学习在图像处理、自然语言处理等领域的广泛应用，机器学习(ML)技术也越来越火热。而机器学习方法也逐渐从传统的监督学习(Supervised Learning)转向了无监督学习(Unsupervised Learning)和半监督学习(Semi-Supervised Learning)。无监督学习和半监督学习可以帮助我们提取出数据中隐藏的结构信息，进而发现数据的分布特性。深度学习模型的训练往往需要大量的数据及相应的计算能力。而这些都在不断增加，这就给我们带来一个新的挑战：如何有效地利用数据构建高效且鲁棒的机器学习系统？本文将试图通过对机器学习技术进行概率论的视角，理解其背后的理论基础及最新研究进展，并通过实际案例展示如何用最佳实践构建机器学习系统。文章总结了机器学习的关键词，包括分类、回归、聚类、异常检测、强化学习、因子分解机(Factorization Machines)，以及深度学习(Deep Learning)等。

2.基本概念术语

2.1 概率论基础

首先我们要明确一些概念和术语。

定义2.1.1 随机变量Random Variable

设X是一个样本空间(Sample Space)上的随机变量，记作$X$或$X\sim D$，其中D表示该样本空间。对于一个随机变量X，它表示一个离散的或连续的变量。如果X的取值可以用一个定义在X上的函数f(x)来描述，那么称函数f(x)为X的概率密度函数或分布函数。若f(x)是一个连续函数，则称X为连续型随机变量；

本文标签： learning machine Probabilistic Neur perspective

版权声明：本文标题：Machine Learning: A Probabilistic Perspective on Neur 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://roclinux.cn/b/1758753067a3090090.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。