Публикации по теме 'mathematics'
Хорошая статья, но абзацы, относящиеся к «оценке P(X=x) по f(x)», вводят в заблуждение.
Хорошая статья, но абзацы, относящиеся к «оценке P(X=x) по f(x)», вводят в заблуждение. Для непрерывной случайной величины X P (X = x) = 0 независимо от того, какое значение f (x) принимает, как вы правильно указали. Вся эта процедура оценивания, предложенная в статье, имеет мало смысла или вообще не имеет смысла, поскольку в выражении f(x)dx x фиксировано , а значит, f(x) фиксировано также, таким образом, если dx сходится к 0, это приводит к тому, что f(x)dx тривиально сходится к 0..
Ошибка данных теста линейной регрессии с простой математической формулой
Концепция, которую должен помнить каждый специалист по данным и исследователь машинного обучения
1. Введение
Линейная регрессия, вероятно, является одной из наиболее важных концепций в статистическом / машинном обучении, поскольку ее легко понять, реализовать и, что более важно, многие реальные ситуации можно моделировать либо как линейные, либо сводить к линейным с помощью соответствующих математических преобразований.
Когда мы выполняем статистическое / машинное обучение для..
Выбор функций Почему и как объясняется (Часть 1)
понимать влияние избыточности функций и мер обнаружения
Машинное обучение - это не только модные модели и сложные алгоритмы оптимизации. Многие Кагглеры, включая меня, счастливы признать поражение, если победитель использовал более продвинутую модель или разработал некоторые блестящие функции, но лишь немногие решились принять поражение в этой ситуации - побежденные простой моделью, обученной с меньшим количеством функций. Да, не все практики признают роль минимализма в обучении моделей...
Часть вероятности и статистики. 1
Это написано для читателей, которые плохо знакомы с машинным обучением и имеют лишь смутное представление о том, что такое вероятность и статистика, как я.
Что такое вероятность?
Это частота возникновения событий. Чтобы измерить эту частоту, нам нужно много экспериментов и данных. Получив эту частоту, мы можем ответить на вопрос «насколько вероятно, что событие произойдет?» предсказание будущего.
Образец пространства
Выборочное пространство ( S ) — это наиболее..
Теоретические основы науки о данных - мне нужно заботиться о практических навыках или просто сосредоточиться на них?
Основные математические и теоретические навыки, необходимые для науки о данных и машинного обучения
Наука о данных - это очень практическая область. Наука о данных требует прочного основания в математике и программировании. Как специалисту по данным важно понимать теоретические и математические основы науки о данных, чтобы иметь возможность строить надежные модели с использованием реальных приложений.
В науке о данных и машинном обучении математические навыки так же важны, как и..
Основы обучения с компьютерным подкреплением
Ссылка: http://videolectures.net/rldm2015_littman_computational_reinforcement/
В машинном обучении важную роль играет обучение с подкреплением. Это проистекает из способности системы принимать решения, которую можно улучшить за счет взаимодействия с миром и оценки обратной связи. Это руководство знакомит с основными понятиями и словарным запасом в этой области. Кроме того, в руководстве показаны последние достижения в теории и практике обучения с подкреплением. Для начала докладчик..
Объяснимый ИИ: физика в машинном обучении?
Представьте, что вам поставили задачу предсказать, сколько голов звездный футболист забьет в следующем матче. Получив результат, вы поспешно выкрикиваете ответ своему руководителю: минус 3 . В течение доли секунды вы понимаете невероятность этого предсказания и его абсурдность.
Большинство моделей машинного обучения учатся в первую очередь на основе данных. Как гласит популярная поговорка: мусор на входе, мусор на выходе - введенные вами данные будут реплицированы на целевой вывод,..
