mlapp 读书笔记.pdf

Machine Learning 的概率视角概述 本资源是关于 Machine Learning 的概率视角的一本书的读书笔记，主要涵盖了机器学习的基本概念、概率模型、监督学习、无监督学习等方面的内容。 概率模型是机器学习的基础之一，本笔记中我们将看到高斯模型的应用，这是机器学习中最常用的模型之一。高斯模型可以用来解决回归问题和分类问题。 机器学习是一系列能够自动检测数据模式，然后用这些模式去预测未来数据或者某种在未知情况下的决策的方法。机器学习可以分为监督学习、无监督学习和半监督学习三大类。监督学习是指在有标记输出的情况下，通过学习数据来预测未来数据的方法。无监督学习是指在没有标记输出的情况下，通过学习数据来发现隐含模式的方法。 在监督学习中，我们可以使用分类和回归两种方法来解决问题。分类是指将数据分为不同的类别，例如文档分类、图像分类等。回归是指将数据映射到连续的值，例如预测股票价格等。无监督学习中，我们可以使用聚类、密度估计和降维等方法来发现隐含模式。 在机器学习中，我们常常使用概率模型来解决问题。概率模型可以用来解决分类问题、回归问题和聚类问题等。例如，在文档分类中，我们可以使用概率模型来计算文档属于某个类别的概率。在图像分类中，我们可以使用概率模型来计算图像属于某个类别的概率。 机器学习的应用非常广泛，例如文档分类、图像分类、手写字符识别、人脸检测和识别等。这些应用都可以使用机器学习的方法来解决问题。 在机器学习中，我们常常使用一些基本概念，例如特征、模型、泛化等。特征是指数据中的某些特征，可以用来描述数据的某些方面。模型是指用来描述数据的某些关系的数学表达式。泛化是指模型在新数据上的表现，好的模型应该能够泛化到新数据上。 本资源是关于机器学习的概率视角的一本书的读书笔记，涵盖了机器学习的基本概念、概率模型、监督学习、无监督学习等方面的内容。