Evernote Export

2.人工智能简介

机器学习源自于人工智能,在此方向上,该领域有分为不同学派,机器学习主要关注的是制造能够自主动作的机器

3.人工智能难题

1.所有智能体都只有很少的计算资源、很低的处理速度和很小的内存,如何能让AI实时提供作用?
2.所有的计算都是局部的,但是大多数AI问题都具有全局约束,如何才能让AI解决全局问题?
3.计算逻辑基本上是演绎逻辑,但是许多AI本质上是溯因性或归纳性的,如何解决AI的溯因性问题?
4.世界是动态变化的,知识是有限的,但是AI智能体必须始终从它已知的东西开始,如何让AI解决新问题?
5.推理和学习已经使事务变的复杂,但是解释和证明增加了这种复杂性,如何让AI解决复杂问题?

4.人工智能问题的特点

1.在许多AI问题中,数据是陆续出现的,而不是一开始就有所有的数据
2.问题往往会重复出现,同类问题一再出现
3.问题在许多不同的抽象层面上出现
4.许多引人关注的AI问题难以通过计算来解决
5.外界是动态的,它不断变化,但是有关外界的知识是相对不变的
6.外界是开放式的,但是有关外界的问题是有限的

5.人工智能和不确定性

1.传感器无法识别系统以外的信息
2.对手限制信息
3.信息的随机性无法预测
4.计算机运算能力限制
5.全然无知情况

6.有哪些人工智能问题

8.什么是基于知识的人工智能?

基于知识的三个基本过程
1.推理
2.学习
3.记忆

9.人工智能的四个学派

Academic Application
Thinking semantic web
acting airplane autopilot
optimally machine learning
like humans improvisational robots

10.什么是基于知识的人工智能
观察人类的行为可以帮助我们设计一个机器人观察机器人设计可以帮助识别人类的认知模式
12.贝叶斯公式
贝叶斯描述:
P(A|B)中B是已知事件,A是我们关心的变量

P(A∣B)=P(B)P(B∣A)⋅ P(A)​

24.机器学习的定义

什么是机器学习?
计算应用统计学

25.监督学习

监督学习:获取已经标记的数据集,通过收集信息以便标记新的数据集(函数逼近)

26.非监督学习

没有样本,只有输入的关系,只能通过查看输入本身的关系来推导出某些结构(简洁的影响描述)。
 

27.强化学习

强化学习常常被描述为通过延迟奖赏(reward)进行学习,强化学习的反馈可能是你实际做出决策后经过几个步骤才产生的。

28.归纳法与演绎法

所有的机器学习都是一种归纳法而不是演绎法
归纳是从一个示例得出更普遍规则的问题
演绎是从普通规则得到结果

29.归纳法、演绎法与溯因法

诊断就是溯因法的实例,归纳法不能保证结果是否适用于整个整体,溯因法也是一样。
探寻一个结果是否正确的过程就是,追溯->归纳->演绎不断循环的过程
35.分类法
参数、数据结构、隐含概念
数据标记、数据标记缺失、反馈
预测、关注事件、主动性、被动性
分类与回归

what what from what for how output detail  
parameter supervised prediction passive classification generative  
hidden unsupervised diagnose active regression discriminative  
certain reinforcement summarize online      
parameter     offline      

36.监督学习
在监督学习中,每一个特征实例都提供了一个特征向量,以及以Y命名的目标符号

Occams Razor
奥卡姆剃刀定律:在其他条件一样的情况下,选择较不复杂的假设
38.分类和回归
分类的特点是目标标签或目标类是离散的
回归问题与分类问题有本质上的区别,温度是一个连续值,我们的贝叶斯网络不能预测温度,而只能预测离散类
39.线性回归

f(x)=w1​x+w0​

40.更多线性回归
损失函数

loss=j∑​(yj​−w1​xj​−w0​)2

**2.%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%AE%80%E4%BB%8B**%0A%60%60%60%0A%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E6%BA%90%E8%87%AA%E4%BA%8E%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%EF%BC%8C%E5%9C%A8%E6%AD%A4%E6%96%B9%E5%90%91%E4%B8%8A%EF%BC%8C%E8%AF%A5%E9%A2%86%E5%9F%9F%E6%9C%89%E5%88%86%E4%B8%BA%E4%B8%8D%E5%90%8C%E5%AD%A6%E6%B4%BE%EF%BC%8C%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E4%B8%BB%E8%A6%81%E5%85%B3%E6%B3%A8%E7%9A%84%E6%98%AF%E5%88%B6%E9%80%A0%E8%83%BD%E5%A4%9F%E8%87%AA%E4%B8%BB%E5%8A%A8%E4%BD%9C%E7%9A%84%E6%9C%BA%E5%99%A8%0A%60%60%60%0A**3.%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E9%9A%BE%E9%A2%98**%0A%60%60%60%0A1.%E6%89%80%E6%9C%89%E6%99%BA%E8%83%BD%E4%BD%93%E9%83%BD%E5%8F%AA%E6%9C%89%E5%BE%88%E5%B0%91%E7%9A%84%E8%AE%A1%E7%AE%97%E8%B5%84%E6%BA%90%E3%80%81%E5%BE%88%E4%BD%8E%E7%9A%84%E5%A4%84%E7%90%86%E9%80%9F%E5%BA%A6%E5%92%8C%E5%BE%88%E5%B0%8F%E7%9A%84%E5%86%85%E5%AD%98%EF%BC%8C%E5%A6%82%E4%BD%95%E8%83%BD%E8%AE%A9AI%E5%AE%9E%E6%97%B6%E6%8F%90%E4%BE%9B%E4%BD%9C%E7%94%A8%EF%BC%9F%0A2.%E6%89%80%E6%9C%89%E7%9A%84%E8%AE%A1%E7%AE%97%E9%83%BD%E6%98%AF%E5%B1%80%E9%83%A8%E7%9A%84%EF%BC%8C%E4%BD%86%E6%98%AF%E5%A4%A7%E5%A4%9A%E6%95%B0AI%E9%97%AE%E9%A2%98%E9%83%BD%E5%85%B7%E6%9C%89%E5%85%A8%E5%B1%80%E7%BA%A6%E6%9D%9F%EF%BC%8C%E5%A6%82%E4%BD%95%E6%89%8D%E8%83%BD%E8%AE%A9AI%E8%A7%A3%E5%86%B3%E5%85%A8%E5%B1%80%E9%97%AE%E9%A2%98%EF%BC%9F%0A3.%E8%AE%A1%E7%AE%97%E9%80%BB%E8%BE%91%E5%9F%BA%E6%9C%AC%E4%B8%8A%E6%98%AF%E6%BC%94%E7%BB%8E%E9%80%BB%E8%BE%91%EF%BC%8C%E4%BD%86%E6%98%AF%E8%AE%B8%E5%A4%9AAI%E6%9C%AC%E8%B4%A8%E4%B8%8A%E6%98%AF%E6%BA%AF%E5%9B%A0%E6%80%A7%E6%88%96%E5%BD%92%E7%BA%B3%E6%80%A7%E7%9A%84%EF%BC%8C%E5%A6%82%E4%BD%95%E8%A7%A3%E5%86%B3AI%E7%9A%84%E6%BA%AF%E5%9B%A0%E6%80%A7%E9%97%AE%E9%A2%98%EF%BC%9F%0A4.%E4%B8%96%E7%95%8C%E6%98%AF%E5%8A%A8%E6%80%81%E5%8F%98%E5%8C%96%E7%9A%84%EF%BC%8C%E7%9F%A5%E8%AF%86%E6%98%AF%E6%9C%89%E9%99%90%E7%9A%84%EF%BC%8C%E4%BD%86%E6%98%AFAI%E6%99%BA%E8%83%BD%E4%BD%93%E5%BF%85%E9%A1%BB%E5%A7%8B%E7%BB%88%E4%BB%8E%E5%AE%83%E5%B7%B2%E7%9F%A5%E7%9A%84%E4%B8%9C%E8%A5%BF%E5%BC%80%E5%A7%8B%EF%BC%8C%E5%A6%82%E4%BD%95%E8%AE%A9AI%E8%A7%A3%E5%86%B3%E6%96%B0%E9%97%AE%E9%A2%98%EF%BC%9F%0A5.%E6%8E%A8%E7%90%86%E5%92%8C%E5%AD%A6%E4%B9%A0%E5%B7%B2%E7%BB%8F%E4%BD%BF%E4%BA%8B%E5%8A%A1%E5%8F%98%E7%9A%84%E5%A4%8D%E6%9D%82%EF%BC%8C%E4%BD%86%E6%98%AF%E8%A7%A3%E9%87%8A%E5%92%8C%E8%AF%81%E6%98%8E%E5%A2%9E%E5%8A%A0%E4%BA%86%E8%BF%99%E7%A7%8D%E5%A4%8D%E6%9D%82%E6%80%A7%EF%BC%8C%E5%A6%82%E4%BD%95%E8%AE%A9AI%E8%A7%A3%E5%86%B3%E5%A4%8D%E6%9D%82%E9%97%AE%E9%A2%98%EF%BC%9F%0A%60%60%60%0A**4.%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E9%97%AE%E9%A2%98%E7%9A%84%E7%89%B9%E7%82%B9**%0A%60%60%60%0A1.%E5%9C%A8%E8%AE%B8%E5%A4%9AAI%E9%97%AE%E9%A2%98%E4%B8%AD%EF%BC%8C%E6%95%B0%E6%8D%AE%E6%98%AF%E9%99%86%E7%BB%AD%E5%87%BA%E7%8E%B0%E7%9A%84%EF%BC%8C%E8%80%8C%E4%B8%8D%E6%98%AF%E4%B8%80%E5%BC%80%E5%A7%8B%E5%B0%B1%E6%9C%89%E6%89%80%E6%9C%89%E7%9A%84%E6%95%B0%E6%8D%AE%0A2.%E9%97%AE%E9%A2%98%E5%BE%80%E5%BE%80%E4%BC%9A%E9%87%8D%E5%A4%8D%E5%87%BA%E7%8E%B0%EF%BC%8C%E5%90%8C%E7%B1%BB%E9%97%AE%E9%A2%98%E4%B8%80%E5%86%8D%E5%87%BA%E7%8E%B0%0A3.%E9%97%AE%E9%A2%98%E5%9C%A8%E8%AE%B8%E5%A4%9A%E4%B8%8D%E5%90%8C%E7%9A%84%E6%8A%BD%E8%B1%A1%E5%B1%82%E9%9D%A2%E4%B8%8A%E5%87%BA%E7%8E%B0%0A4.%E8%AE%B8%E5%A4%9A%E5%BC%95%E4%BA%BA%E5%85%B3%E6%B3%A8%E7%9A%84AI%E9%97%AE%E9%A2%98%E9%9A%BE%E4%BB%A5%E9%80%9A%E8%BF%87%E8%AE%A1%E7%AE%97%E6%9D%A5%E8%A7%A3%E5%86%B3%0A5.%E5%A4%96%E7%95%8C%E6%98%AF%E5%8A%A8%E6%80%81%E7%9A%84%EF%BC%8C%E5%AE%83%E4%B8%8D%E6%96%AD%E5%8F%98%E5%8C%96%EF%BC%8C%E4%BD%86%E6%98%AF%E6%9C%89%E5%85%B3%E5%A4%96%E7%95%8C%E7%9A%84%E7%9F%A5%E8%AF%86%E6%98%AF%E7%9B%B8%E5%AF%B9%E4%B8%8D%E5%8F%98%E7%9A%84%0A6.%E5%A4%96%E7%95%8C%E6%98%AF%E5%BC%80%E6%94%BE%E5%BC%8F%E7%9A%84%EF%BC%8C%E4%BD%86%E6%98%AF%E6%9C%89%E5%85%B3%E5%A4%96%E7%95%8C%E7%9A%84%E9%97%AE%E9%A2%98%E6%98%AF%E6%9C%89%E9%99%90%E7%9A%84%0A%60%60%60%0A**5.%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%92%8C%E4%B8%8D%E7%A1%AE%E5%AE%9A%E6%80%A7**%0A%60%60%60%0A1.%E4%BC%A0%E6%84%9F%E5%99%A8%E6%97%A0%E6%B3%95%E8%AF%86%E5%88%AB%E7%B3%BB%E7%BB%9F%E4%BB%A5%E5%A4%96%E7%9A%84%E4%BF%A1%E6%81%AF%0A2.%E5%AF%B9%E6%89%8B%E9%99%90%E5%88%B6%E4%BF%A1%E6%81%AF%0A3.%E4%BF%A1%E6%81%AF%E7%9A%84%E9%9A%8F%E6%9C%BA%E6%80%A7%E6%97%A0%E6%B3%95%E9%A2%84%E6%B5%8B%0A4.%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%BF%90%E7%AE%97%E8%83%BD%E5%8A%9B%E9%99%90%E5%88%B6%0A5.%E5%85%A8%E7%84%B6%E6%97%A0%E7%9F%A5%E6%83%85%E5%86%B5%0A%60%60%60%0A**6.%E6%9C%89%E5%93%AA%E4%BA%9B%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E9%97%AE%E9%A2%98**%0A!%5Bbba9a479a3886896e64e40a791679cd0.png%5D(en-resource%3A%2F%2Fdatabase%2F1210%3A1)%0A%0A**8.%E4%BB%80%E4%B9%88%E6%98%AF%E5%9F%BA%E4%BA%8E%E7%9F%A5%E8%AF%86%E7%9A%84%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%EF%BC%9F**%0A%60%60%60%0A%E5%9F%BA%E4%BA%8E%E7%9F%A5%E8%AF%86%E7%9A%84%E4%B8%89%E4%B8%AA%E5%9F%BA%E6%9C%AC%E8%BF%87%E7%A8%8B%0A1.%E6%8E%A8%E7%90%86%0A2.%E5%AD%A6%E4%B9%A0%0A3.%E8%AE%B0%E5%BF%86%0A%60%60%60%0A**9.%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%9A%84%E5%9B%9B%E4%B8%AA%E5%AD%A6%E6%B4%BE**%0AAcademic%7CApplication%7C%0A----------%7C------------%7C%0AThinking%7Csemantic%20web%7C%0Aacting%7Cairplane%C2%A0autopilot%7C%0Aoptimally%7Cmachine%C2%A0learning%7C%0Alike%C2%A0humans%7Cimprovisational%C2%A0robots%7C%0A!%5Bbf607ab0c238e637e2ab8f7d629b81a0.png%5D(en-resource%3A%2F%2Fdatabase%2F1212%3A1)%0A%0A**10.%E4%BB%80%E4%B9%88%E6%98%AF%E5%9F%BA%E4%BA%8E%E7%9F%A5%E8%AF%86%E7%9A%84%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD**%0A%E8%A7%82%E5%AF%9F%E4%BA%BA%E7%B1%BB%E7%9A%84%E8%A1%8C%E4%B8%BA%E5%8F%AF%E4%BB%A5%E5%B8%AE%E5%8A%A9%E6%88%91%E4%BB%AC%E8%AE%BE%E8%AE%A1%E4%B8%80%E4%B8%AA%E6%9C%BA%E5%99%A8%E4%BA%BA%E8%A7%82%E5%AF%9F%E6%9C%BA%E5%99%A8%E4%BA%BA%E8%AE%BE%E8%AE%A1%E5%8F%AF%E4%BB%A5%E5%B8%AE%E5%8A%A9%E8%AF%86%E5%88%AB%E4%BA%BA%E7%B1%BB%E7%9A%84%E8%AE%A4%E7%9F%A5%E6%A8%A1%E5%BC%8F%0A**12.%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%85%AC%E5%BC%8F**%0A%E8%B4%9D%E5%8F%B6%E6%96%AF%E6%8F%8F%E8%BF%B0%EF%BC%9A%0AP(A%7CB)%E4%B8%ADB%E6%98%AF%E5%B7%B2%E7%9F%A5%E4%BA%8B%E4%BB%B6%EF%BC%8CA%E6%98%AF%E6%88%91%E4%BB%AC%E5%85%B3%E5%BF%83%E7%9A%84%E5%8F%98%E9%87%8F%0A%24%24P(A%7CB)%3D%5Cfrac%7BP(B%7CA)%20%5Ccdot%5C%20P(A)%7D%7BP(B)%7D%24%24%0A%0A**24.%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%9A%84%E5%AE%9A%E4%B9%89**%0A%60%60%60%0A%E4%BB%80%E4%B9%88%E6%98%AF%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%EF%BC%9F%0A%E8%AE%A1%E7%AE%97%E5%BA%94%E7%94%A8%E7%BB%9F%E8%AE%A1%E5%AD%A6%0A%60%60%60%0A**25.%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0**%0A%60%60%60%0A%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0%EF%BC%9A%E8%8E%B7%E5%8F%96%E5%B7%B2%E7%BB%8F%E6%A0%87%E8%AE%B0%E7%9A%84%E6%95%B0%E6%8D%AE%E9%9B%86%EF%BC%8C%E9%80%9A%E8%BF%87%E6%94%B6%E9%9B%86%E4%BF%A1%E6%81%AF%E4%BB%A5%E4%BE%BF%E6%A0%87%E8%AE%B0%E6%96%B0%E7%9A%84%E6%95%B0%E6%8D%AE%E9%9B%86(%E5%87%BD%E6%95%B0%E9%80%BC%E8%BF%91)%0A%60%60%60%0A**26.%E9%9D%9E%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0**%0A%60%60%60%0A%E6%B2%A1%E6%9C%89%E6%A0%B7%E6%9C%AC%EF%BC%8C%E5%8F%AA%E6%9C%89%E8%BE%93%E5%85%A5%E7%9A%84%E5%85%B3%E7%B3%BB%EF%BC%8C%E5%8F%AA%E8%83%BD%E9%80%9A%E8%BF%87%E6%9F%A5%E7%9C%8B%E8%BE%93%E5%85%A5%E6%9C%AC%E8%BA%AB%E7%9A%84%E5%85%B3%E7%B3%BB%E6%9D%A5%E6%8E%A8%E5%AF%BC%E5%87%BA%E6%9F%90%E4%BA%9B%E7%BB%93%E6%9E%84(%E7%AE%80%E6%B4%81%E7%9A%84%E5%BD%B1%E5%93%8D%E6%8F%8F%E8%BF%B0)%E3%80%82%0A%60%60%60%0A%60%60%60mermaid%0Agraph%20TD%0AA%5B%E8%BE%93%E5%85%A5A%5D%20--%3E%7C%E6%9D%A1%E4%BB%B61%7C%20B%5B%E8%BE%93%E5%87%BAB%5D%0AA%5B%E8%BE%93%E5%85%A5A%5D%20--%3E%7C%E6%9D%A1%E4%BB%B62%7C%20C%5B%E8%BE%93%E5%87%BAC%5D%0A%60%60%60%0A**27.%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0**%0A%60%60%60%0A%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0%E5%B8%B8%E5%B8%B8%E8%A2%AB%E6%8F%8F%E8%BF%B0%E4%B8%BA%E9%80%9A%E8%BF%87%E5%BB%B6%E8%BF%9F%E5%A5%96%E8%B5%8F(reward)%E8%BF%9B%E8%A1%8C%E5%AD%A6%E4%B9%A0%EF%BC%8C%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0%E7%9A%84%E5%8F%8D%E9%A6%88%E5%8F%AF%E8%83%BD%E6%98%AF%E4%BD%A0%E5%AE%9E%E9%99%85%E5%81%9A%E5%87%BA%E5%86%B3%E7%AD%96%E5%90%8E%E7%BB%8F%E8%BF%87%E5%87%A0%E4%B8%AA%E6%AD%A5%E9%AA%A4%E6%89%8D%E4%BA%A7%E7%94%9F%E7%9A%84%E3%80%82%0A%60%60%60%0A**28.%E5%BD%92%E7%BA%B3%E6%B3%95%E4%B8%8E%E6%BC%94%E7%BB%8E%E6%B3%95**%0A%60%60%60%0A%E6%89%80%E6%9C%89%E7%9A%84%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E9%83%BD%E6%98%AF%E4%B8%80%E7%A7%8D%E5%BD%92%E7%BA%B3%E6%B3%95%E8%80%8C%E4%B8%8D%E6%98%AF%E6%BC%94%E7%BB%8E%E6%B3%95%0A%E5%BD%92%E7%BA%B3%E6%98%AF%E4%BB%8E%E4%B8%80%E4%B8%AA%E7%A4%BA%E4%BE%8B%E5%BE%97%E5%87%BA%E6%9B%B4%E6%99%AE%E9%81%8D%E8%A7%84%E5%88%99%E7%9A%84%E9%97%AE%E9%A2%98%0A%E6%BC%94%E7%BB%8E%E6%98%AF%E4%BB%8E%E6%99%AE%E9%80%9A%E8%A7%84%E5%88%99%E5%BE%97%E5%88%B0%E7%BB%93%E6%9E%9C%0A%60%60%60%0A**29.%E5%BD%92%E7%BA%B3%E6%B3%95%E3%80%81%E6%BC%94%E7%BB%8E%E6%B3%95%E4%B8%8E%E6%BA%AF%E5%9B%A0%E6%B3%95**%0A%60%60%60mermaid%0Agraph%20TD%0ARule(Rule)--%3ECause(Cause)%0ARule(Rule)--%3EEffect(Effect)%0A%60%60%60%0A%E8%AF%8A%E6%96%AD%E5%B0%B1%E6%98%AF%E6%BA%AF%E5%9B%A0%E6%B3%95%E7%9A%84%E5%AE%9E%E4%BE%8B%EF%BC%8C%E5%BD%92%E7%BA%B3%E6%B3%95%E4%B8%8D%E8%83%BD%E4%BF%9D%E8%AF%81%E7%BB%93%E6%9E%9C%E6%98%AF%E5%90%A6%E9%80%82%E7%94%A8%E4%BA%8E%E6%95%B4%E4%B8%AA%E6%95%B4%E4%BD%93%EF%BC%8C%E6%BA%AF%E5%9B%A0%E6%B3%95%E4%B9%9F%E6%98%AF%E4%B8%80%E6%A0%B7%E3%80%82%0A%E6%8E%A2%E5%AF%BB%E4%B8%80%E4%B8%AA%E7%BB%93%E6%9E%9C%E6%98%AF%E5%90%A6%E6%AD%A3%E7%A1%AE%E7%9A%84%E8%BF%87%E7%A8%8B%E5%B0%B1%E6%98%AF%EF%BC%8C%E8%BF%BD%E6%BA%AF-%3E%E5%BD%92%E7%BA%B3-%3E%E6%BC%94%E7%BB%8E%E4%B8%8D%E6%96%AD%E5%BE%AA%E7%8E%AF%E7%9A%84%E8%BF%87%E7%A8%8B%0A**35.%E5%88%86%E7%B1%BB%E6%B3%95**%0A%E5%8F%82%E6%95%B0%E3%80%81%E6%95%B0%E6%8D%AE%E7%BB%93%E6%9E%84%E3%80%81%E9%9A%90%E5%90%AB%E6%A6%82%E5%BF%B5%0A%E6%95%B0%E6%8D%AE%E6%A0%87%E8%AE%B0%E3%80%81%E6%95%B0%E6%8D%AE%E6%A0%87%E8%AE%B0%E7%BC%BA%E5%A4%B1%E3%80%81%E5%8F%8D%E9%A6%88%0A%E9%A2%84%E6%B5%8B%E3%80%81%E5%85%B3%E6%B3%A8%E4%BA%8B%E4%BB%B6%E3%80%81%E4%B8%BB%E5%8A%A8%E6%80%A7%E3%80%81%E8%A2%AB%E5%8A%A8%E6%80%A7%0A%E5%88%86%E7%B1%BB%E4%B8%8E%E5%9B%9E%E5%BD%92%0Awhat%7Cwhat%20from%7Cwhat%20for%7Chow%7Coutput%7Cdetail%7C%0A----%7C----%7C----%7C----%7C----%7C----%7C----%7C%0Aparameter%7Csupervised%7Cprediction%7Cpassive%7Cclassification%7Cgenerative%7C%0Ahidden%7Cunsupervised%7Cdiagnose%20%7C%20active%7Cregression%20%7Cdiscriminative%20%7C%0Acertain%7Creinforcement%20%7Csummarize%20%7Conline%20%7C%20%7C%20%7C%0Aparameter%7C%20%7C%20%7Coffline%20%7C%20%7C%20%7C%0A%0A*%20*%20*%0A**36.%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0**%0A%E5%9C%A8%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0%E4%B8%AD%EF%BC%8C%E6%AF%8F%E4%B8%80%E4%B8%AA%E7%89%B9%E5%BE%81%E5%AE%9E%E4%BE%8B%E9%83%BD%E6%8F%90%E4%BE%9B%E4%BA%86%E4%B8%80%E4%B8%AA%E7%89%B9%E5%BE%81%E5%90%91%E9%87%8F%EF%BC%8C%E4%BB%A5%E5%8F%8A%E4%BB%A5Y%E5%91%BD%E5%90%8D%E7%9A%84%E7%9B%AE%E6%A0%87%E7%AC%A6%E5%8F%B7%0A%5BOccams%20Razor%5D(https%3A%2F%2Fsimple.wikipedia.org%2Fwiki%2FOccam%2527s_razor)%0A%E5%A5%A5%E5%8D%A1%E5%A7%86%E5%89%83%E5%88%80%E5%AE%9A%E5%BE%8B%EF%BC%9A%E5%9C%A8%E5%85%B6%E4%BB%96%E6%9D%A1%E4%BB%B6%E4%B8%80%E6%A0%B7%E7%9A%84%E6%83%85%E5%86%B5%E4%B8%8B%EF%BC%8C%E9%80%89%E6%8B%A9%E8%BE%83%E4%B8%8D%E5%A4%8D%E6%9D%82%E7%9A%84%E5%81%87%E8%AE%BE%0A**38.%E5%88%86%E7%B1%BB%E5%92%8C%E5%9B%9E%E5%BD%92**%0A%E5%88%86%E7%B1%BB%E7%9A%84%E7%89%B9%E7%82%B9%E6%98%AF%E7%9B%AE%E6%A0%87%E6%A0%87%E7%AD%BE%E6%88%96%E7%9B%AE%E6%A0%87%E7%B1%BB%E6%98%AF%E7%A6%BB%E6%95%A3%E7%9A%84%0A%E5%9B%9E%E5%BD%92%E9%97%AE%E9%A2%98%E4%B8%8E%E5%88%86%E7%B1%BB%E9%97%AE%E9%A2%98%E6%9C%89%E6%9C%AC%E8%B4%A8%E4%B8%8A%E7%9A%84%E5%8C%BA%E5%88%AB%EF%BC%8C%E6%B8%A9%E5%BA%A6%E6%98%AF%E4%B8%80%E4%B8%AA%E8%BF%9E%E7%BB%AD%E5%80%BC%EF%BC%8C%E6%88%91%E4%BB%AC%E7%9A%84%E8%B4%9D%E5%8F%B6%E6%96%AF%E7%BD%91%E7%BB%9C%E4%B8%8D%E8%83%BD%E9%A2%84%E6%B5%8B%E6%B8%A9%E5%BA%A6%EF%BC%8C%E8%80%8C%E5%8F%AA%E8%83%BD%E9%A2%84%E6%B5%8B%E7%A6%BB%E6%95%A3%E7%B1%BB%0A**39.%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92**%0A%24%24f(x)%3Dw_1x%2Bw_0%24%24%0A**40.%E6%9B%B4%E5%A4%9A%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92**%0A%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0%0A%24%24loss%3D%0A%5Csum_j(y_j-w_1x_j-w_0)%5E2%0A%24%24%0A%0A%0A%0A%0A%0A%0A

【udacity】机器学习的更多相关文章

  1. 波士顿房价预测 - 最简单入门机器学习 - Jupyter

    机器学习入门项目分享 - 波士顿房价预测 该分享源于Udacity机器学习进阶中的一个mini作业项目,用于入门非常合适,刨除了繁琐的部分,保留了最关键.基本的步骤,能够对机器学习基本流程有一个最清晰 ...

  2. Coursera,Udacity,Edx 课程列表(更新ing)

    Coursera,Udacity,Edx 课程列表(更新ing) Coursera有很多特别好的课程,平时没有机会听到国外大牛的课程,通过Coursera算是可以弥补一下吧,国外的课程普遍比国内的老师 ...

  3. (转) 深度强化学习综述:从AlphaGo背后的力量到学习资源分享(附论文)

    本文转自:http://mp.weixin.qq.com/s/aAHbybdbs_GtY8OyU6h5WA 专题 | 深度强化学习综述:从AlphaGo背后的力量到学习资源分享(附论文) 原创 201 ...

  4. 【Udacity】机器学习性能评估指标

    评估指标 Evaluation metrics 机器学习性能评估指标 选择合适的指标 分类与回归的不同性能指标 分类的指标(准确率.精确率.召回率和 F 分数) 回归的指标(平均绝对误差和均方误差) ...

  5. 【udacity】机器学习-回归

    Evernote Export 1.什么是回归? regression 在监督学习中,包括了输入和输出的样本,在此基础上,我们能够通过新的输入来表示结果,映射到输出 输出包含了离散输出和连续输出 2. ...

  6. 【udacity】机器学习-波士顿房价预测小结

    Evernote Export 机器学习的运行步骤 1.导入数据 没什么注意的,成功导入数据集就可以了,打印看下数据的标准格式就行 用个info和describe 2.分析数据 这里要详细分析数据的内 ...

  7. 【udacity】机器学习-波士顿房价预测

    import numpy as np import pandas as pd from Udacity.model_check.boston_house_price import visuals as ...

  8. 【udacity】机器学习-2模型验证

    Evernote Export 1.模型的评估与验证简介 机器学习通常是大量传入数据,然后会有一些关于数据的决策.想法和摘要. 2.模型评估 评估模型使用的是各种数据分析的方法,至少需要使用pytho ...

  9. 【udacity】机器学习-支持向量机

    Evernote Export 支持向量机(Support Vector Machine) 不适定问题不止一个决策边界 要找一个决策边界,不仅能将训练集很好的划分,而且提升模型的泛化能力 支持向量机直 ...

随机推荐

  1. BeanUtils.copyProperties()错误使用,给自己挖了坑

    场景:需要对某个集合中的所有元素拷贝到另一个集合中,想着BeanUtils.copyProperties()可以深拷贝对象,误以为也可以拷贝集合,于是乎写下了如下代码 List<CostRule ...

  2. hdu 4858 容器的简单模拟

    我用临接表模拟容器超时 #include<stdio.h> #include<string.h> #include<vector> using namespace ...

  3. 葵花宝典之机器学习:全网最重要的AI资源都在这里了(大牛,研究机构,视频,博客,书籍,Quora......)

    https://blog.csdn.net/wemedia/details.html?id=42039

  4. vs--bookmark用法

    快捷键 Ctrl+K,K 增加/取消书签 Ctrl+K,P 导航到上一个书签 Ctrl+K,N 导航到下一个标签 Ctrl+K,L 取消所有书签

  5. Spring深入理解(一)

    Spring 框架的设计理念与设计模式分析 Spring核心组件 Spring 框架中的核心组件只有三个:Core.Context 和 Beans Spring 的设计理念 前面介绍了 Spring ...

  6. 用hadoop实现SimRank++算法(1)----权值转移矩阵的计算

    本文主要针对广告检索领域的查询重写应用,依据查询-广告点击二部图,在MapReduce框架上实现SimRank++算法.关于SimRank++算法的背景和原理请參看前一篇文章<基于MapRedu ...

  7. ZOJ 3829 Known Notation(字符串处理 数学 牡丹江现场赛)

    题目链接:problemId=5383">http://acm.zju.edu.cn/onlinejudge/showProblem.do?problemId=5383 Do you ...

  8. 编写MyLayer,2 锚点,3 精灵的创建,4 zorder

     1 编写MyLayer 头文件:MyLayer.h #include "cocos2d.h" USING_NS_CC;   //代表的是: using namespace c ...

  9. Windows 10家庭版也能共享打印机(中)解除Guest账户网络登录限制,实现局域网共享

    由于Windows系统默认是禁止Guest账户从网络登录的.我们须要解除这个限制.首先想到的是用组策略编辑器gpedit.msc. 可是Windows 10家庭版没有组策略编辑器,我们先尝试用U盘把W ...

  10. 局部变量,全局变量,extend,static

    main.c #include <stdio.h> #include "zs.h" /* 局部变量是定义在函数.代码块.函数形参列表.存储在栈中,从定义的那一行开始作用 ...