5.7 贝叶斯决策理论

2019-07-10

| 机器学习 | | 理性行为 , 损失函数 , 贝叶斯 , 估计量 , 监督学习 , 效用 | 评论

返回本章目录

我们已经看到概率论如何用来表示和更新我们对世界状况的信念( beliefs)。 然而，最终我们的目标是将我们的信念转化为行动。 在本节中，我们将讨论实现此目的的最佳方法。

1.2 监督学习

2019-06-16

| 机器学习 | | 监督学习 , 分类 , 回归 | 评论

返回本章目录

我们通过讨论监督学习来开始我们对机器学习的研究，监督学习是在实践中最广泛使用的ML的形式。

1.1 机器学习：什么和为什么？

2019-06-15

| 机器学习 | | 监督学习 , 无监督学习 , 强化学习 | 评论

返回本章目录

我们淹没在信息中，渴望知识。 — John Naisbitt。

我们正在进入大数据时代。 例如，有大约1万亿个网页; YouTube一个小时的视频上传，每天相当于10年的内容;1000多人的基因组，每个人的长度为3.8×109个碱基对，已被各种实验室测序; 沃尔玛每小时处理超过1M笔交易，数据库包含超过2.5千兆字节（2.5×1015）的信息（Cukier 2010）; 等等。