学习笔记【机器学习导论 2ndEd】2019-04-03

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

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）

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：机器学习方法 最优化过程 机器学习 学习算法 优化过程

咱这小白跟着兄台学AI

为您点赞！

点赞

向您学习，赞

谢谢分享，


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。

谢谢分享，
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）