没有合适的资源?快使用搜索试试~ 我知道了~
Probability for Machine Learning by Jason Brownlee.pdf
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
5星 · 超过95%的资源 18 下载量 133 浏览量
2021-06-26
16:17:54
上传
评论
收藏 2.56MB PDF 举报
温馨提示
Probability for Machine Learning Discover How To Harness Uncertainty With Python by Jason Brownlee 28 step-by-step lessons, 312 pages. distributions, estimation, more. 概率是机器学习的基石。没有机器学习,你就无法对机器学习产生深刻的理解和应用。 切开方程、希腊字母和混淆,并发现您需要了解的概率主题。 使用清晰的解释、标准的 Python 库和分步教程课程,您将发现概率对机器学习、贝叶斯概率、熵、密度估计、最大可能性等的重要性。
资源推荐
资源详情
资源评论
Probability for
Machine Learning
Discover How To Harness
Uncertainty With Python
Jason Brownlee
i
Disclaimer
The information contained within this eBook is strictly for educational purposes. If you wish to apply
ideas contained in this eBook, you are taking full responsibility for your actions.
The author has made every effort to ensure the accuracy of the information within this book was
correct at time of publication. The author does not assume and hereby disclaims any liability to any
party for any loss, damage, or disruption caused by errors or omissions, whether such errors or
omissions result from accident, negligence, or any other cause.
No part of this eBook may be reproduced or transmitted in any form or by any means, electronic or
mechanical, recording or by any information storage and retrieval system, without written permission
from the author.
Acknowledgements
Special thanks to my copy editor Sarah Martin and my technical editors Michael Sanderson and Arun
Koshy.
Copyright
Probability for Machine Learning
©
Copyright 2020 Jason Brownlee. All Rights Reserved.
Edition: v1.9
Contents
Copyright i
Contents ii
Preface iii
I Introduction v
II Background 1
1 What is Probability? 2
1.1 Tutorial Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Uncertainty is Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Probability of an Event . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Probability Theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Two Schools of Probability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.6 Further Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Uncertainty in Machine Learning 7
2.1 Tutorial Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Uncertainty in Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3 Noise in Observations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4 Incomplete Coverage of the Domain . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.5 Imperfect Model of the Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.6 How to Manage Uncertainty . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.7 Further Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.8 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3 Why Learn Probability for Machine Learning 13
3.1 Tutorial Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Reasons to NOT Learn Probability . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3 Class Membership Requires Predicting a Probability . . . . . . . . . . . . . . . 14
3.4 Some Algorithms Are Designed Using Probability . . . . . . . . . . . . . . . . . 15
3.5 Models Are Trained Using a Probabilistic Framework . . . . . . . . . . . . . . . 15
ii
CONTENTS iii
3.6 Models Can Be Tuned With a Probabilistic Framework . . . . . . . . . . . . . . 15
3.7 Probabilistic Measures Are Used to Evaluate Model Skill . . . . . . . . . . . . . 16
3.8 One More Reason . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.9 Further Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.10 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
III Foundations 18
4 Joint, Marginal, and Conditional Probability 19
4.1 Tutorial Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2 Probability for One Random Variable . . . . . . . . . . . . . . . . . . . . . . . . 20
4.3 Probability for Multiple Random Variables . . . . . . . . . . . . . . . . . . . . . 21
4.4 Probability for Independence and Exclusivity . . . . . . . . . . . . . . . . . . . . 23
4.5 Further Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5 Intuition for Joint, Marginal, and Conditional Probability 26
5.1 Tutorial Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
5.2 Joint, Marginal, and Conditional Probabilities . . . . . . . . . . . . . . . . . . . 27
5.3 Probabilities of Rolling Two Dice . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.4 Probabilities of Weather in Two Cities . . . . . . . . . . . . . . . . . . . . . . . 29
5.5 Further Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
6 Advanced Examples of Calculating Probability 35
6.1 Tutorial Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
6.2 Birthday Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
6.3 Boy or Girl Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
6.4 Monty Hall Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.5 Further Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
6.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
IV Distributions 44
7 Probability Distributions 45
7.1 Tutorial Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
7.2 Random Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
7.3 Probability Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
7.4 Discrete Probability Distributions . . . . . . . . . . . . . . . . . . . . . . . . . . 47
7.5 Continuous Probability Distributions . . . . . . . . . . . . . . . . . . . . . . . . 48
7.6 Further Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
7.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
CONTENTS iv
8 Discrete Probability Distributions 51
8.1 Tutorial Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
8.2 Discrete Probability Distributions . . . . . . . . . . . . . . . . . . . . . . . . . . 52
8.3 Bernoulli Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
8.4 Binomial Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
8.5 Multinoulli Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
8.6 Multinomial Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
8.7 Further Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
8.8 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
9 Continuous Probability Distributions 60
9.1 Tutorial Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
9.2 Continuous Probability Distributions . . . . . . . . . . . . . . . . . . . . . . . . 61
9.3 Normal Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
9.4 Exponential Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
9.5 Pareto Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
9.6 Further Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
9.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
10 Probability Density Estimation 73
10.1 Tutorial Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
10.2 Probability Density . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
10.3 Summarize Density With a Histogram . . . . . . . . . . . . . . . . . . . . . . . 74
10.4 Parametric Density Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
10.5 Nonparametric Density Estimation . . . . . . . . . . . . . . . . . . . . . . . . . 81
10.6 Further Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
10.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
V Maximum Likelihood 87
11 Maximum Likelihood Estimation 88
11.1 Tutorial Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
11.2 Problem of Probability Density Estimation . . . . . . . . . . . . . . . . . . . . . 89
11.3 Maximum Likelihood Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . 89
11.4 Relationship to Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 91
11.5 Further Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
11.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
12 Linear Regression With Maximum Likelihood Estimation 94
12.1 Tutorial Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
12.2 Linear Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
12.3 Maximum Likelihood Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . 96
12.4 Linear Regression as Maximum Likelihood . . . . . . . . . . . . . . . . . . . . . 96
12.5 Least Squares and Maximum Likelihood . . . . . . . . . . . . . . . . . . . . . . 98
12.6 Further Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
12.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
剩余318页未读,继续阅读
ThinkSpatial空间思维
- 粉丝: 1248
- 资源: 63
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 电子工程中差动放大电路的性能测试与分析
- 8PSK调制解调通信链路matlab误码率仿真【包括程序,中文注释,程序操作和讲解视频】
- BLDC无刷直流电机电流滞环控制 1.转速环采用pi控制,电流环采用滞环控制 2.提供参考文献和仿真模型;
- 电子工程技术中的电压比较器实验及特性研究
- 4-20mA采集电路,主控为STM32F103,RS485输出 提供原理图和pcb源文件(AD设计),以及源码,包含ADC采样代码,RS485代码等,带隔离功能 备注:精通各种运放的使用,支持其他
- 模拟电子技术中负反馈放大电路的实验研究及其性能优化方法
- 电子工程技术-集成运算放大器的基本运算电路实验研究与仿真实践
- 风光柴储微网优化调度模型(matlb程序),粒子群多目标优化. 程序注释清晰明了,适合研究微网优化调度,微网容量配置方向基础入门的同学
- STM32CubeMX图形化配置与代码生成功能在嵌入式开发的应用
- ouc2024攻防先导作业
- 模拟电子技术-单管共射放大电路实验报告-掌握静态工作点与放大性能的测量方法
- 基于51单片机的直流电机调速仿真 通过调节滑动变阻器控制电机转动速度 没有速度值显示 包括源程序,仿真,proteus软件包 送相关文档资料(不是对应配套的,仅供参考,自行整合取舍使用)
- 模拟电子技术-射极跟随器:特性、原理及其实验方法详解
- ouc2024秋攻防先导作业
- 嵌入式开发中STM32CubeMX图形化配置与代码生成功能详解及其应用
- simulink模块汇总梳理 , 智能座舱域在AUTOSAR 框架中应用层的开发依赖于simulink建模,通过simulink模型设计加上C代码生成来完成繁杂的应用层开发 因此simulink计
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
- 1
- 2
- 3
- 4
前往页