摘要: 注: 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者:红色石头 微信公众号:AI有道 上一节课,我们主要介绍了VC Dimension的概念。如果Hypotheses set的VC Dimension是有限的,且有足够多的资料$N$,同时能够找到一个hypothesis使它的 阅读全文
posted @ 2019-04-18 10:33 Shinesu 阅读(321) 评论(0) 推荐(0) 编辑
摘要: 作业解析 1. 取出整数的16进制表示形式 \u00ff / int2hex / public static String int2hex(int i) { String str = "0x"; char[] c = {'0','1','2','3','4','5','6','7','8','9', 阅读全文
posted @ 2019-04-17 08:49 Shinesu 阅读(136) 评论(0) 推荐(0) 编辑
摘要: 注: 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者:红色石头 微信公众号:AI有道 前几节课着重介绍了机器能够学习的条件并做了详细的推导和解释。机器能够学习必须满足两个条件: 当假设空间$\mathcal{H}$的Size M是有限的时候,则$N$足够大的时候,对于假设空间 阅读全文
posted @ 2019-04-17 08:15 Shinesu 阅读(374) 评论(0) 推荐(0) 编辑
摘要: 作业解析: 1. remove(int index); //删除指定位置的元素 List list = new ArrayList(); list.add("s1"); list.add("s2"); list.add("s3"); OutputList(list);// s1,s2,s3 // 删 阅读全文
posted @ 2019-04-15 10:46 Shinesu 阅读(178) 评论(0) 推荐(0) 编辑
摘要: 作业回顾 1. 蜜蜂和熊的生产消费关系,熊在蜂蜜满10斤吃掉。蜜蜂一次生产一斤蜂蜜,且蜜蜂生成一斤蜂蜜花费的时间是10s。 十只蜜蜂和两只熊。 蜜蜂 bag: 20 每次产1,耗时10ms 满5的时候给蜜罐添加 蜜罐 max : 30 熊 eat //蜜蜂线程 public class Bee ex 阅读全文
posted @ 2019-04-15 10:31 Shinesu 阅读(313) 评论(0) 推荐(0) 编辑
摘要: 注: 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者:红色石头 微信公众号:AI有道 上一节课,主要探讨了$M$的数值大小对机器学习的影响。如果$M$很大,那么就不能保证机器学习有很好的泛化能力,所以问题转换为验证$M$有限,最好是按照多项式成长。然后通过引入了成长函数$m_ 阅读全文
posted @ 2019-04-11 13:59 Shinesu 阅读(892) 评论(1) 推荐(0) 编辑
摘要: 注: 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者:红色石头 微信公众号:AI有道 上节课主要介绍了机器学习的可行性。首先,由NFL定理可知,机器学习貌似是不可行的。但是,随后引入了统计学知识,如果样本数据足够大,且hypothesis个数有限,那么机器学习一般就是可行的。 阅读全文
posted @ 2019-04-03 16:51 Shinesu 阅读(599) 评论(0) 推荐(0) 编辑
摘要: 注: 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者:红色石头 微信公众号:AI有道 上节课主要介绍了机器学习的分类问题。其中,监督式学习中的二元分类和回归分析是最常见的也是最重要的机器学习问题。本节课将介绍机器学习的可行性,讨论问题是否可以使用机器学习来解决。 一、Lear 阅读全文
posted @ 2019-04-03 15:31 Shinesu 阅读(600) 评论(0) 推荐(0) 编辑
摘要: 注: 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者:红色石头 微信公众号:AI有道 上节课主要介绍了解决线性分类问题的一个简单的方法:PLA。PLA能够在平面中选择一条直线将样本数据完全正确分类。而对于线性不可分的情况,可以使用Pocket Algorithm来处理。本节课 阅读全文
posted @ 2019-03-14 10:58 Shinesu 阅读(544) 评论(0) 推荐(0) 编辑
摘要: 注: 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者:红色石头 微信公众号:AI有道 上节课,简述了机器学习的定义及其重要性,并用流程图的形式介绍了机器学习的整个过程:根据模型$\mathcal{H}$,使用演算法$\mathcal{A}$,在训练样本$\mathcal{D} 阅读全文
posted @ 2019-03-14 10:46 Shinesu 阅读(327) 评论(0) 推荐(0) 编辑