«pac-learning» etiketlenmiş sorular

Geçen sene Brendan O'Connor’tan “İstatistikler ile Makine Öğrenmesi, savaş!” Başlıklı bir blog yazısı okudum . İki alan arasındaki farklardan bazılarını tartıştı. Andrew Gelman buna olumlu cevap verdi : Simon Blomberg: R'nin servet paketinden: Kışkırtıcı bir şekilde, “makine öğrenmesi, modellerin ve varsayımların kontrol edilmesiyle ilgili bir istatistiktir”. - Brian D. Ripley …

420 machine-learning  pac-learning 

Biri bana 'zayıf öğrenen' ifadesinin ne anlama geldiğini söyleyebilir mi? Zayıf bir hipotez olması mı gerekiyor? Zayıf bir öğrenici ile zayıf bir sınıflandırıcı arasındaki ilişki konusunda kafam karıştı. İkisi de aynı mı yoksa bir fark var mı? Adaboost algoritmasında T=10,. Bununla ne kastedilmektedir? Neden seçiyoruz T=10?

34 classification  svm  terminology  adaboost  pac-learning 

Bazı açılardan bu, math.stackexchange'teki bir el kitabımdır ve bu sitenin geniş bir izleyici kitlesi sağlayabileceği hissine sahibim. Makine öğrenmeye matematiksel bir giriş yapıyorum. Özellikle, bulunabilecek birçok literatür göreceli olarak kesin değildir ve pek çok sayfa herhangi bir içerik olmadan harcanmaktadır. Bununla birlikte, böyle bir literatürden yola çıkarak , Bishop'ın örüntü …

23 machine-learning  references  pac-learning 

Parametreleri tahmin etmek için 'temel' istatistik fikri maksimum olasılıktır . Makine öğreniminde buna karşılık gelen fikrin ne olduğunu merak ediyorum. Sn 1. Parametreleri tahmin etmek için makine öğrenmesindeki 'temel' fikrin 'Kayıp Fonksiyonları' olduğunu söylemek adil olur mu? [Not: Makine öğrenimi algoritmalarının genellikle bir kayıp fonksiyonunu ve dolayısıyla yukarıdaki soruyu optimize …

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

Hatayı modellerken neden Gauss varsayımını kullandığımızı merak ediyorum. In Stanford ML kursu Prof. Ng iki şekilde temelde bunu anlatır: Matematiksel olarak uygundur. (En Küçük Kareler montajı ile ilgilidir ve psödoinverse ile çözülmesi kolaydır) Merkezi Limit Teoremi nedeniyle, süreci etkileyen çok sayıda temel olgu olduğunu varsayabiliriz ve bu bireysel hataların toplamı …

17 regression  normality-assumption  pac-learning 

Sinir ağlarının karmaşıklığını ölçmek için bazı temel yollarla karşılaştım: Saf ve gayri resmi: nöronların, gizli nöronların, katmanların veya gizli katmanların sayısını sayın VC boyutu (Eduardo D. Sontag [1998] "Sinir ağlarının VC boyutu" [ pdf ].) Bir ders taneli ve asimtotik hesaplama karmaşıklığı eşdeğeri ile ölçülürTC0dTCd0TC^0_d . Başka alternatifler var mı? …

16 neural-networks  theory  vc-dimension  pac-learning 

Makine öğreniminde yeniyim. Makine öğrenimi konusunda bir ders okuyorum (Stanford Üniversitesi) ve bu teorinin ne anlama geldiğini ve faydasının ne olduğunu anlamadım. Birisinin bu teoriyi benim için detaylandırabileceğini merak ediyorum. Bu teori bu denkleme dayanmaktadır.

15 machine-learning  probability  pac-learning 

Makine Öğrenimine (Finansta teori ve uygulama) daha da derinleştirmek istiyorum. Makine Öğrenimi için temel olarak karmaşık analiz ve fonksiyonel analizin ne kadar alakalı olduğunu sormak istiyorum. Bu konuları öğrenmem gerekiyor mu yoksa kendimi başka bir konuya mı yoğunlaştırmalıyım (eğer öyleyse, hangisine?)

10 machine-learning  pac-learning 

Bu yüzden, Hamming Distance kullanarak biyometrik özellikteki bir kişinin kimliğini doğrulamaya çalıştığım 16 denemem var. Eşik değer 3,5'e ayarlandı. Verilerim aşağıda ve yalnızca deneme 1 Gerçek Olumludur: Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 5 0.55 6 0.47 7 0.47 8 0.32 9 0.39 10 0.45 …

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