9. Independence

   Independence 独立性，是用于处理大量随机变量的重要工具。 利用独立性，我们可以同时对大量的独立变量进行估计。

   read more

   There are comments.

10. Probability Theory

    为了能够更明确的表达机器学习的问题，人们引了概率论。

    read more

    There are comments.

11. novelty detection

    Novelty detection （异常检测）是一个不好定义的问题。这个问题形容那些不寻常（unusual）的观测情况。 选择哪些东西作为“不常见”这件事情，本身是非常主观的。因此，大部分常见的观点是，很少出现的情况，就是不寻常的。

    read more

    There are comments.

12. regression

    Regression （回归）问题是另一类经典问题。回归问题的目标是在给定\(x\)的基础上，给出\(y \in R\)的估计。 一个例子是股票：股票每天的股价都是不一样的，我们希望得到股票的价格；运行员的心跳次数；加速器的数据等等。

    read more

    There are comments.

13. structure_estimation

    Structured Estimation 主要描述如何对\(y\)进行合适的设计。 在不同的背景下，\(y\)所表达的意义是不同的。 当对网页进行分类的时候，\(y\)可能是本体（ontology）的一条路径； 当尝试匹配对象的时候，\(y\)可能是一个置换。

    不同的问题具有自己的属性；我们会有一个可以接受的\(y\)的形式，并且在这个形式下搜索解空间。

    read more

    There are comments.

14. multiclass-classification

    多分类问题是二分类问题的一个逻辑拓展。 主要的区别是，\(y\in\{1,...,n\}\)，y取值于一个范围。 例如，我们可能需要对一个文档所用的语种进行分类，这个分类包含英语，法语，德语，中文等等。

    read more

    There are comments.

15. Problems-3

    • 当我们允许选择一部分\(X\)来构建模型时，这称之为主动学习。
    • 我们可能没法办法得到全部的\(X\)的数据，有些数值可能是缺失的。这导致了数据估计的缺失问题。
    • 数据\(X\)和数据\(X'\)可能来自不同的数据源，这导致了 covariate shift correction 问题
    • 两个问题可能具有相互影响的边际信息（side information），这称之为co-training

    read more

    There are comments.

16. Problems-2

    1. 我们能够看见连续序列\((x_i,y_i)\)，需要对\(y_i\)进行估计，这一般称之为在线学习（online learning)。
    2. 集合\(X:=\{x_1,...,x_m\}\)与集合\(Y:=\{y_1,...,y_m\}\)，\((x_i, y_i)\)成对，需要预测\(y\)，这个\(y\)与从未见过的序列\(X':=\{x'_i, ..., x'_m\}\)成对。这一般称之为批学习（batch learning）。注意：batch 经常被翻译为“批”，计算机术语中的“批”往往都是有关联的。
    3. 我们可能在构建模型的时候就能见到\(X'\)，这称之为transduction（转导）。

    read more

    There are comments.

17. Problems

    二分类问题是一个被研究最多的问题之一。 比较常见有：邮件是否是垃圾邮件，一个水果是苹果还是橘子。

    read more

    There are comments.

18. Data

    机器学习中的数据可能有各种形式，包括向量，列表，集合，矩阵，图像（也可以认为是一种矩阵）， 视频，树和图，Strings，以及混合结构。

    read more

    There are comments.

« Page 2 / 3 »