20190402【充实计划】第1026期

充实每一天 发表于 2019-4-2 06:42
该主题为【学道会】活动，点击了解详情

【加入充实计划】【了解充实计划】

昨日阅读2小时，累计阅读1185小时。

昨日阅读1小时，累计阅读222小时。

昨日阅读2小时，累计阅读858小时。

昨日阅读2小时，累计阅读804小时

昨日阅读1小时，累计阅读22小时。

《稀缺》读了20页。

昨日阅读2小时，累计170.5 h

我们的目标是使用模型g(x t | θ）来构建一个r t的好的、有用的近似。为了达到预期目标，必须做出三个决定：
1）学习所使用的模型(model），记作    g( x | θ)
g( • ）是模型，x是输入， θ是参数。 g( • ）定义假设类，而θ得特殊值示例了假设类中的一个假设。
2）损失函数(loss function）。逼近误差或损失是各单个实例之上的损失和。
3）最优化过程（optimization procedure）求解最小化近似误差的θ *
为了做好上述工作，必须满足一下条件：首先，假设类应当足够大（有足够的容量，以便包含在含噪声情况下产生r t表示的数据的未知函数）。其次，必须有足够的训练数据，使得我们从假设类中识别正确或足够好的假设。第三，给定训练数据，我们应当有好的优化方法，以便找出正确的假设。

不同的机器学习方法之间的区别或者在于它们假设的模型不同（假设类/归纳偏倚）；或者在于它们所使用的损失度量不同；或者在于它们所使用的最优化过程不同。

2.9 注释
Mitchell提出了解空间和候选排除算法，使得当样本实例依次给出时，可以增量地构建S和G。
最早的机器学习研究工作之一是Winston（1975）提出的“几乎错过”(near miss）思想。
与此相关的思想是主动学习（active learning），其中学习算法能够自己生成实例，并要求被标记，而不像在其他学习算法中那样被动地被给定（Angluin 1988）
VC维在20世纪70年代初由Vapnik和Chervonenkis提出，新近的相关资源是Vapnik 1995
PAC模型由Valiant（1984）提出，对于学习矩形的PAC分析来自Blumer等（1989）

充实每一天 发表于 2019-4-2 06:42
该主题为【学道会】活动，点击了解详情

【加入充实计划】【了解充实计划】

昨日阅读0.5小时，累计阅读386小时

昨日阅读1小时，累计阅读25小时。

昨日阅读《小岛经济学》4小时，累计6小时。读完了这本书，以寓言的形式映射现实。对于入门者来说，提供了一个全新视角看待当下的一些事件和现象。不过因为基础知识太薄弱，有一些细节还是感到费解，继续扩充知识吧。

4月2日回顾:学习时间8点整至20点整，地点师大图书馆。其中通勤2.4小时，中午调息总间断1小时，杂事(投快件、确认学历认证)0.6小时。
不足有:1.施加自管内力来凝聚时间的作用体现不强，大处尚能遏止、扣时间的小漏洞却太难遏止，这个真心希望以后不要成为拖后腿的症结。2.手机管制，已经把经管之家app忍痛卸了，决定从中长期用户转为”增加app下载次数的用户”，只要时间曲线走势良性，就“奖励”自己恢复安装，若是仍控制不住手指那就只能在网页版发帖了(心酸~)。
其他表现:1.笔记整理得很好，复习一个月微观，两本书，今天已经有厚厚半本了，其中大多是图例，尽量在抽象工作中增加可实地感知和理解的直观特性，避免浮杂。2.能够主攻经济学，间歇训练听力，至少保证了气场和“氛围”是吧，只要日久定能铁杵磨成针吧(后背已凉透)。