Pertanyaan yang diberi tag «pac-learning»

Tahun lalu, saya membaca posting blog dari Brendan O'Connor yang berjudul "Statistics vs. Machine Learning, fight!" yang membahas beberapa perbedaan antara kedua bidang. Andrew Gelman menanggapi hal ini dengan baik : Simon Blomberg: Dari paket fortune R: Mengutip secara provokatif, 'pembelajaran mesin adalah statistik dikurangi pengecekan model dan asumsi'. - …

420 machine-learning  pac-learning 

Adakah yang bisa memberi tahu saya apa yang dimaksud dengan ungkapan 'pelajar yang lemah'? Apakah ini seharusnya menjadi hipotesis yang lemah? Saya bingung tentang hubungan antara pelajar yang lemah dan pengklasifikasi yang lemah. Apakah keduanya sama atau ada perbedaan? Dalam algoritma adaboost T=10,. Apa yang dimaksud dengan itu? Mengapa kita …

34 classification  svm  terminology  adaboost  pac-learning 

Dalam beberapa hal ini adalah persimpangan saya dari math.stackexchange , dan saya merasa bahwa situs ini mungkin menyediakan khalayak luas. Saya mencari pengantar matematika untuk pembelajaran mesin. Khususnya, banyak literatur yang dapat ditemukan relatif tidak tepat dan banyak halaman dihabiskan tanpa konten apa pun. Namun, mulai dari literatur seperti itu, …

23 machine-learning  references  pac-learning 

Gagasan statistik 'mendasar' untuk memperkirakan parameter adalah kemungkinan maksimum . Saya bertanya-tanya apa ide yang sesuai dalam pembelajaran mesin. Qn 1. Apakah adil untuk mengatakan bahwa ide 'mendasar' dalam pembelajaran mesin untuk memperkirakan parameter adalah: 'Kehilangan Fungsi' [Catatan: Adalah kesan saya bahwa algoritma pembelajaran mesin sering mengoptimalkan fungsi kerugian dan …

19 machine-learning  maximum-likelihood  loss-functions  pac-learning 

Saya bertanya-tanya mengapa kita menggunakan asumsi Gaussian saat memodelkan kesalahan. Dalam kursus ML Stanford , Prof. Ng menjelaskannya pada dasarnya dalam dua cara: Secara matematis nyaman. (Ini terkait dengan fitting Least Squares dan mudah diselesaikan dengan pseudoinverse) Karena Teorema Limit Sentral, kita dapat berasumsi bahwa ada banyak fakta mendasar yang …

17 regression  normality-assumption  pac-learning 

Saya telah menemukan beberapa cara dasar untuk mengukur kompleksitas jaringan saraf: Naif dan informal: hitung jumlah neuron, neuron tersembunyi, lapisan, atau lapisan tersembunyi Dimensi VC (Eduardo D. Sontag [1998] "Dimensi VC dari jaringan saraf" [ pdf ].) Suatu ukuran kompleksitas komputasiTC0dTCd0TC^0_d berbutir dan asimptotik dengan ekivalensi dengan T C 0 …

16 neural-networks  theory  vc-dimension  pac-learning 

Saya baru dalam pembelajaran mesin. Saya belajar kursus dalam pembelajaran mesin (Stanford University) dan saya tidak mengerti apa yang dimaksud dengan teori ini dan apa kegunaannya. Saya bertanya-tanya apakah seseorang dapat merinci teori ini untuk saya. Teori ini didasarkan pada persamaan ini.

15 machine-learning  probability  pac-learning 

Saya ingin masuk lebih dalam ke Machine Learning (teori dan aplikasi di bidang Keuangan). Saya ingin bertanya seberapa relevan analisis kompleks dan analisis fungsional sebagai dasar untuk Pembelajaran Mesin? Apakah saya perlu mempelajari mata pelajaran ini atau haruskah saya berkonsentrasi pada topik lain (jika demikian, pada yang mana?)

10 machine-learning  pac-learning 

Jadi, saya memiliki 16 percobaan di mana saya mencoba untuk mengotentikasi seseorang dari sifat biometrik menggunakan Hamming Distance. Ambang batas saya diatur ke 3.5. Data saya di bawah dan hanya percobaan 1 yang Benar-Benar Positif: Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 5 0.55 6 0.47 …

9 mathematical-statistics  roc  classification  cross-validation  pac-learning  r  anova  survival  hazard  machine-learning  data-mining  hypothesis-testing  regression  random-variable  non-independent  normal-distribution  approximation  central-limit-theorem  interpolation  splines  distributions  kernel-smoothing  r  data-visualization  ggplot2  distributions  binomial  random-variable  poisson-distribution  simulation  kalman-filter  regression  lasso  regularization  lme4-nlme  model-selection  aic  r  mcmc  dlm  particle-filter  r  panel-data  multilevel-analysis  model-selection  entropy  graphical-model  r  distributions  quantiles  qq-plot  svm  matlab  regression  lasso  regularization  entropy  inference  r  distributions  dataset  algorithms  matrix-decomposition  regression  modeling  interaction  regularization  expected-value  exponential  gamma-distribution  mcmc  gibbs  probability  self-study  normality-assumption  naive-bayes  bayes-optimal-classifier  standard-deviation  classification  optimization  control-chart  engineering-statistics  regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction