Метод статистического обучения Dangdang.com Li Hang сильно практичен и прост. Он рекомендуется в области статистического машинного обучения.
Цена: 1 287руб. (¥71.54)
Артикул: 597484590736
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:当当网官方旗舰店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥40.68732руб.
¥137.32 469руб.
¥ 504.5 16.72301руб.
¥27.5495руб.
 | |||
 |  |  |  |
 |  |  |  |
 |  |  |  |
| |||
| | | |
| | | |
| | | |
Выбор редактора
Благодаря широкому применению искусственного интеллекта и больших данных во всех прогулках общества, методы статистического обучения стали популярными знаниями и технологиями, которые люди должны понимать и освоить.Эта книга содержит базовое чтение статистического машинного обучения для людей с высокой математикой, линейной алгеброй и статистикой вероятности.В версии*2012 года была описана группа важных и широко используемых методов для надзора и обучения. Читатели приветствовали ее и напечатали более 130 000 экземпляров.Второе издание в основном добавляет содержание неконтролируемого обучения, в том числе почти десять статистических методов обучения, позволяя читателям лучше понять и овладеть новой дисциплиной статистического машинного обучения.
Оглавление
Оглавление
*Статьи 
 
Вторая часть неконтролируемого обучения
Глава 13
13.1.1  основной принцип неконтролируемого обучения
13.1.2  Основной вопрос
13.1.3  машинное обучение три элемента
13.1.4&Nbsp; не -супервидение
Глава 14
14.1  Основная концепция кластера
14.1.1  сходство или расстояние
14.1.2  категория или кластер
14.1.3&Расстояние между классом NBSP;
14.2  иерархический кластер
14.3&Nbsp; k среднее
14.3.1  модель
14.3.2  стратегия
14.3.3  алгоритм
14.3.4&Функции алгоритма NBSP;
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 15  странное разложение значений
15.1  определение и природа странного разложения ценности
15.1.1  определение и теорема
15.1.2  тесно различное разложение значений и отключить странное разложение различных значений
15.1.3  Геометрическое объяснение
15.1.4  Главная природа
15.2  расчет странного разложения значений
15.3  странное разложение значения аналогично матрице
15.3.1 образец Форбниуса
15.3.2 лучшее из матрицы похоже на
15.3.3&Расширение внешнего накопления NBSP;
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 16  анализ основных компонентов
16.1  общий анализ основных компонентов
16.1.1  Основные мысли
16.1.2  определение и экспорт
16.1.3  Главная природа
16.1.4&Количество NBSP; основные ингредиенты
16.1.5  общий основной компонент стандартизированных переменных
16.2  Образец основной компонентный анализ
16.2.1  определение и природа основного компонента образца
16.2.2  Алгоритм декомпозиции характерного значения соответствующей матрицы
16.2.3&НАСП;
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 17  Потенциальный семантический анализ
17.1  Word Vector Space и тематическое векторное пространство
17.1.1 vord Vector Space
17.1.2  Тематическое векторное пространство
17.2  Потенциальный алгоритм семантического анализа
17.2.1  Алгоритм разложения NBSP; Странная разложение различных значений
17.2.2  Пример
17.3  алгоритм негативного матричного разложения
17.3.1  негативное матричное разложение
17.3.2  Потенциальная модель семантического анализа
17.3.3  Формализация негативной матричной разложения
17.3.4  алгоритм
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 18  потенциальный семантический анализ популярности
18.1  Потенциальная модель сексуального анализа популярности
18.1.1  Основные мысли
18.1.2  генерировать модель
18.1.3  Общая модель
18.1.4 модель природа
18.2  Алгоритм потенциального семантического анализа вероятности
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 19  МЕТОД МОНТА КАРЛО МОНТА КАРЛО
19.1&метод NBSP; Монте -Карло
19.1.1  случайная выборка
19.1.2  оценка ожидания математики
19.1.3  расчет баллов
19.2 цепь малкев
19.2.1  Основное определение
19.2.2 отдельная государственная сеть малкев
19.2.3  непрерывное состояние цепь Малкова
19.2.4  Marcoov Chain Nature
19.3  МЕТОД МОНТА КАРЛО МОНТА КАРЛО
19.3.1  Основные мысли
19.3.2  основные шаги
19.3.3  MALCOV ChAIN MONTE CARLO Метод и статистическое обучение
19.4  алгоритм мегаполиса-гастингса
19.4.1  Основной принцип
19.4.2  алгоритм мегаполиса-гастингса
19.4.3  Алгоритм Metropolis-Hastings с одним компонентом
19.5 выборка Gibbes
19.5.1  Основной принцип
19.5.2 алгоритм отбора проб Gibbes
19.5.3  расчет выборки
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 20  потенциальное распределение дили Крей
20.1  DiLikre Distribution
20.1.1  Определение распределения
20.1.2 gongxuan первая проверка
20.2  Потенциальная модель распределения диликра
20.2.1  Основные мысли
20.2.2  Определение модели
20.2.3  модель диаграммы вероятности
20.2.4  Преобразование последовательности случайной переменной
20.2.5  Формула вероятности
20.3  Алгоритм отбора проб NBSP; LDA
20.3.1  Основные мысли
20.3.2  основная часть алгоритма
20.3.3  Пост -обработка алгоритмов
20.3.4  алгоритм
20.4&em -алгоритм изменений NBSP;
20.4.1&Nbsp; изменение рассуждения
20.4.2 Алгоритм изменений дивизии EM
20.4.3  вывод алгоритма
20.4.4 резюме алгоритма
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 21 алгоритм PageRank
21.1&Nbsp; определение PageRank
21.1.1  Основные мысли
21.1.2  есть города и модели случайных ходьбы
21.1.3  Основное определение PageRank
21.1.4  Общее определение PageRank
21.2  PageRank расчет
21.2.1&Nbsp; алгоритм итерации
21.2.2  метод мощности
21.3.3  алгебра
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 22  Краткое описание неконтролируемых методов обучения
22.1  отношения и характеристики неконтролируемых методов обучения
22.1.1  взаимосвязь между различными методами
22.1.2&Nbsp; не -супервидение
22.1.3  Фонд и их методы обучения
22.2&Отношения и характеристики между NBSP; Тематические модели
  ссылка
  Приложение A  метод падения градиента
  Приложение B  ньютоновский и ньютоновский закон
  Приложение C  Лагрангинские кукол
  Приложение D  ОСНОВНОЕ ПОДПАЗИ
  Приложение E  Определение рассеяния KL и природы диликри распределения
  Индекс
*Статьи 
 
Вторая часть неконтролируемого обучения
Глава 13
13.1.1  основной принцип неконтролируемого обучения
13.1.2  Основной вопрос
13.1.3  машинное обучение три элемента
13.1.4&Nbsp; не -супервидение
Глава 14
14.1  Основная концепция кластера
14.1.1  сходство или расстояние
14.1.2  категория или кластер
14.1.3&Расстояние между классом NBSP;
14.2  иерархический кластер
14.3&Nbsp; k среднее
14.3.1  модель
14.3.2  стратегия
14.3.3  алгоритм
14.3.4&Функции алгоритма NBSP;
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 15  странное разложение значений
15.1  определение и природа странного разложения ценности
15.1.1  определение и теорема
15.1.2  тесно различное разложение значений и отключить странное разложение различных значений
15.1.3  Геометрическое объяснение
15.1.4  Главная природа
15.2  расчет странного разложения значений
15.3  странное разложение значения аналогично матрице
15.3.1 образец Форбниуса
15.3.2 лучшее из матрицы похоже на
15.3.3&Расширение внешнего накопления NBSP;
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 16  анализ основных компонентов
16.1  общий анализ основных компонентов
16.1.1  Основные мысли
16.1.2  определение и экспорт
16.1.3  Главная природа
16.1.4&Количество NBSP; основные ингредиенты
16.1.5  общий основной компонент стандартизированных переменных
16.2  Образец основной компонентный анализ
16.2.1  определение и природа основного компонента образца
16.2.2  Алгоритм декомпозиции характерного значения соответствующей матрицы
16.2.3&НАСП;
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 17  Потенциальный семантический анализ
17.1  Word Vector Space и тематическое векторное пространство
17.1.1 vord Vector Space
17.1.2  Тематическое векторное пространство
17.2  Потенциальный алгоритм семантического анализа
17.2.1  Алгоритм разложения NBSP; Странная разложение различных значений
17.2.2  Пример
17.3  алгоритм негативного матричного разложения
17.3.1  негативное матричное разложение
17.3.2  Потенциальная модель семантического анализа
17.3.3  Формализация негативной матричной разложения
17.3.4  алгоритм
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 18  потенциальный семантический анализ популярности
18.1  Потенциальная модель сексуального анализа популярности
18.1.1  Основные мысли
18.1.2  генерировать модель
18.1.3  Общая модель
18.1.4 модель природа
18.2  Алгоритм потенциального семантического анализа вероятности
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 19  МЕТОД МОНТА КАРЛО МОНТА КАРЛО
19.1&метод NBSP; Монте -Карло
19.1.1  случайная выборка
19.1.2  оценка ожидания математики
19.1.3  расчет баллов
19.2 цепь малкев
19.2.1  Основное определение
19.2.2 отдельная государственная сеть малкев
19.2.3  непрерывное состояние цепь Малкова
19.2.4  Marcoov Chain Nature
19.3  МЕТОД МОНТА КАРЛО МОНТА КАРЛО
19.3.1  Основные мысли
19.3.2  основные шаги
19.3.3  MALCOV ChAIN MONTE CARLO Метод и статистическое обучение
19.4  алгоритм мегаполиса-гастингса
19.4.1  Основной принцип
19.4.2  алгоритм мегаполиса-гастингса
19.4.3  Алгоритм Metropolis-Hastings с одним компонентом
19.5 выборка Gibbes
19.5.1  Основной принцип
19.5.2 алгоритм отбора проб Gibbes
19.5.3  расчет выборки
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 20  потенциальное распределение дили Крей
20.1  DiLikre Distribution
20.1.1  Определение распределения
20.1.2 gongxuan первая проверка
20.2  Потенциальная модель распределения диликра
20.2.1  Основные мысли
20.2.2  Определение модели
20.2.3  модель диаграммы вероятности
20.2.4  Преобразование последовательности случайной переменной
20.2.5  Формула вероятности
20.3  Алгоритм отбора проб NBSP; LDA
20.3.1  Основные мысли
20.3.2  основная часть алгоритма
20.3.3  Пост -обработка алгоритмов
20.3.4  алгоритм
20.4&em -алгоритм изменений NBSP;
20.4.1&Nbsp; изменение рассуждения
20.4.2 Алгоритм изменений дивизии EM
20.4.3  вывод алгоритма
20.4.4 резюме алгоритма
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 21 алгоритм PageRank
21.1&Nbsp; определение PageRank
21.1.1  Основные мысли
21.1.2  есть города и модели случайных ходьбы
21.1.3  Основное определение PageRank
21.1.4  Общее определение PageRank
21.2  PageRank расчет
21.2.1&Nbsp; алгоритм итерации
21.2.2  метод мощности
21.3.3  алгебра
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 22  Краткое описание неконтролируемых методов обучения
22.1  отношения и характеристики неконтролируемых методов обучения
22.1.1  взаимосвязь между различными методами
22.1.2&Nbsp; не -супервидение
22.1.3  Фонд и их методы обучения
22.2&Отношения и характеристики между NBSP; Тематические модели
  ссылка
  Приложение A  метод падения градиента
  Приложение B  ньютоновский и ньютоновский закон
  Приложение C  Лагрангинские кукол
  Приложение D  ОСНОВНОЕ ПОДПАЗИ
  Приложение E  Определение рассеяния KL и природы диликри распределения
  Индекс
Чтение в Интернете
Первый
1 статья
Монитор
Контролировать
изучать
привычка
Глава 1 Введение в статистическое обучение и изучение надзора
Эта книга посвящена методу надзорного обучения.Обучение надзору - это проблема машинного обучения, которая изучает модели от маркировки данных и является важной частью статистического обучения или машинного обучения.
В этой главе кратко описываются некоторые основные концепции статистического обучения и обучения.Читатели имеют предварительное понимание статистического обучения и обучения в надзоре.
В этой главе 1.1 называет определение статистического обучения или машинного обучения, объектов и методов исследований; 1.2 Классификация статистического обучения в разделе 1.2 Основная классификация - это три элемента обучения надзора, неконтролируемого обучения и укрепления обучения; стратегия и алгоритм; Раздел 1.4 в 1.7 введено несколько важных концепций надзора и обучения, включая оценку модели и выбор модели, регуляризацию и перекрестную проверку, обобщение обучения, генерирование моделей и моделей дискриминации;*Prop -1,8 Применение применения контроля надзора. Проблемы регрессии.
1.1 Статистическое обучение
1. Характеристики статистического обучения
Статистическое обучение - это дисциплина к компьютерам на основе построения данных о вероятности статистических моделей и использования моделей для прогнозирования и анализа данных.Статистическое обучение также называется статистическим машинным обучением.
Основными характеристиками статистического обучения являются: (1) Статистическое обучение принимает компьютеры и сети в качестве платформы, которая основана на компьютерах и сетях; (2) Статистическое обучение использует данные в качестве объекта исследования и является дисциплиной, управляемой данными; (3 ) Статистическое обучение Цель состоит в том, чтобы предсказать и проанализировать данные; (4) статистическое обучение использует методы в качестве центра, а метод статистического обучения создает модели и применяет модели для прогнозирования и анализа. *Оптимизируйте кросс -дискиплин во многих областях, таких как теория. и информатика и постепенно формируют надежную теоретическую систему и методологию в разработке.
Герберт&Миддот; Герберт А. Саймон однажды правой&LDQUO” дайте следующее определение:&Ldquo; Если система может улучшить свою производительность, выполнив определенный процесс, это обучение.&Rdquo; Согласно этой точке зрения, статистическое обучение - это машинное обучение, которое улучшает производительность системы, используя данные и статистические методы для повышения производительности системы.Теперь, когда люди упоминают машинное обучение, оно часто относится к статистическому машинному обучению.Таким образом, вы можете подумать, что эта книга представляет методы машинного обучения.
2. Объект статистического обучения
Объектом статистического обучения и исследований являются данные (данные).С самого начала данных извлечение характеристик данных, абстрактных моделей данных, обнаружение знаний в данных и возвращение к анализу и прогнозированию данных.В качестве объекта статистического обучения данные разнообразны, включая различные числа, текст, изображения, видео, аудиоданные и их комбинации, существующие на компьютерах и сетях.
Основное предположение о статистическом обучении данных заключается в том, что аналогичные данные имеют определенные статистические законы, что является обязательным условием для статистического обучения.Аналогичные данные здесь относятся к данным с общим характером, таким как английские статьи, интернет -веб -страницы и данные в базах данных.Поскольку они статистически регулярно, они могут использовать статистические методы вероятности для борьбы с ними.Например, характеристики распределения вероятности могут быть описаны как характеристики данных.В статистическом обучении данные или переменные представляют данные.Данные делятся на тип непрерывной переменной и дискретных переменных.Эта книга в основном основана на методе обсуждения дискретных переменных.Кроме того, эта книга включает в себя только использование моделей построения данных и использование моделей для анализа и прогнозирования данных, а также не обсуждает такие проблемы, как наблюдение и сбор данных.
3. Цель статистического обучения
Статистическое обучение используется для прогнозирования и анализа данных, особенно прогнозирования и анализа неизвестных новых данных.Прогнозы данных могут сделать компьютеры более интеллектуальными или улучшить определенные результаты компьютера; анализ данных позволяет людям получать новые знания и приносить новые открытия людям.
Прогнозирование и анализ данных достигаются путем построения статистической модели вероятности.Общая цель статистического обучения - рассмотреть, какие модели и как изучать модели, чтобы модели точно прогнозировали и анализировали данные. В то же время мы также должны рассмотреть возможность максимально повысить эффективность обучения.
4. Метод статистического обучения
Метод статистического обучения основан на статистических моделях построения данных для прогнозирования и анализа данных.Статистическое обучение состоит из контрольного обучения, неконтролируемого обучения и обучения подкрепления.
Эта книга о надзоре и обучении, а вторая статья о неконтролируемом обучении.Можно сказать, что методы обучения надзора и неконтролируемые методы обучения являются основными методами статистического обучения.
Статистические методы обучения могут быть обобщены следующим образом: начиная с набора ограниченных, ограниченных, для данных обучения (данные обучения), при условии, что данные генерируются независимыми и распределенными; и предположим, что модель, которая должна быть изучена, принадлежит коллекции функции, модели, которая должна быть изучена, сборы функции, она называется пространством гипотез; применяет крик оценки, выбирает*превосходную модель из пространства предположения, так что им дают известные учебные данные и неизвестный тест Данные (тестовые данные). Существуют отличные прогнозы в соответствии с стандартом оценки; выбор*превосходных моделей реализуется алгоритмами.Таким образом, метод статистического обучения включает гипотетическое пространство модели, руководящие принципы для выбора модели и алгоритм обучения модели.Он называется тремя элементами метода статистического обучения, называемым моделью, стратегией и алгоритмм.
Шаги по реализации метода статистического обучения следующие:
(1) получить ограниченный сбор данных обучения;
1.2 Классификация статистического обучения 5
(2) определить пространство предположения, содержащее все возможные модели, то есть сбор модели обучения;
(3) определить руководящие принципы выбора модели, то есть стратегия обучения;
(4) реализовать алгоритм решения*отличных моделей, то есть алгоритм обучения;
(5) выберите*отличную модель с помощью метода обучения;
(6) Используйте*отличную модель, чтобы предсказать или проанализировать новые данные.
Первая статья этой книги представляет методы наблюдения и обучения, которые в основном включают методы классификации, маркировки и регрессии.Эти методы чрезвычайно широко используются в областях обработки естественного языка, поиска информации, интеллектуального анализа текстовых данных.
5. Исследование статистики исследования
Исследование статистического обучения обычно включает в себя три аспекта: методы статистического обучения, теория статистического обучения и применение статистического обучения.Изучение методов статистического обучения направлено на разработку новых методов обучения; изучение теории статистического обучения заключается в изучении эффективности и эффективности статистических методов обучения, а также основные теоретические вопросы статистического обучения; изучение статистического обучения и применения в основном рассматривает Применение методов статистического обучения к методу статистического обучения, чтобы выполнить фактические проблемы и решить фактические проблемы.
6. Важность статистического обучения
За последние два десятилетия статистическое обучение разработало огромное развитие с точки зрения теории и приложений. Расчет визуального, поиска информации, биологической информации и многих других компьютерных приложений и стать основными технологиями этих полей.Люди убеждены, что статистическое обучение будет играть более крупную и большую роль в будущих научных развития и технологических приложениях.
Важность статистических дисциплин обучения в науке и технике в основном отражается в следующих аспектах:
(1) Статистическое обучение - это эффективный способ обработки массовых данных.Мы находимся в эпохе информации*, и обработка и использование массовых данных является неизбежным спросом для людей.Данные в действительности не только масштаб, но и часто имеют неопределенность. Статистическое обучение часто является инструментом для обработки таких данных*.
(2) Статистическое обучение является эффективным средством компьютерного интеллекта.Интеллект является неизбежной тенденцией компьютерного развития и основной целью исследований и разработок компьютерных технологий.В последние десятилетия исследования в таких областях, как искусственный интеллект, доказали, что использование статистики для изучения метода имитации человеческого интеллекта, хотя существует определенные ограничения, все еще является эффективным средством для достижения этой цели.
(3) Статистическое обучение является важной частью компьютерного научного развития.Можно считать, что компьютерная наука состоит из трехмерных: система, вычисления и информации.Статистическое обучение в основном принадлежит информации и играет основную роль в ней.
1.2 Классификация статистического обучения
Статистическое обучение или машинное обучение - это широкий диапазон, большой контент и широко используемые поля. Его не существует (по крайней мере, сейчас нет существования). Единая теоретическая система охватывает весь контент.Статистические методы обучения классифицируются под несколькими углами.
1.2.1 Основная классификация
Статистическое обучение или машинное обучение, как правило, включают в себя надзор и обучение, неконтролируемое обучение и укрепление обучения.Иногда это также включает в себя полузащитное обучение и активное обучение.
1. Наблюдать за обучением
Наблюдаемое обучение относится к проблеме машинного обучения из обучения прогнозированию моделей из помеченных данных.Данные маркировки указывают на соответствующую связь ввода и вывода, а прогнозирующая модель генерирует соответствующий выход к данному входу.Суть изучения надзора - статистический закон обучения внедрения в результате.
(1) Входное пространство, характерное пространство и выходное пространство В надзоре и обучении, наборы возможных значений входного и выходного значения называются входным пространством и выходным пространством соответственно.Входное и выходное пространство может быть набором конечных элементов или всего пространства OU SHI.Входное пространство и выходное пространство могут быть одним и тем же пространством или разными пространствами; но обычно выходное пространство намного меньше, чем входное пространство.Каждый конкретный вход является экземпляром, который обычно представлен векторами признаков.В настоящее время пространство, в котором существуют все векторы функций, называется функциональным пространством.Каждое измерение пространства функций соответствует одной функции.Иногда предполагайте, что входное пространство - это то же пространство, что и характерное пространство, которое не различается ими; иногда предполагайте, что входное пространство и характерное пространство - это разные пространства, а экземпляр отображается от входного пространства в характерное пространство.Модели фактически определены в пространстве функций.При надзоре и обучении ввод и вывод рассматриваются как значение случайных переменных, определенных во входном (функциональном) пространстве и выходном пространстве.Входные выводы переменные представлены заглавными буквами, используемыми для ввода переменной записи x, и вывода переменной записи Y.Значение входной и выходной переменной представлено строчной буквой, значение входной переменной записывается как x, и выходная переменная принимается
Написание y.Переменные могут быть скалярным или вектором, которые представлены тем же типом букв.За исключением специальных заявлений, векторы в этой книге являются векторами столбцов.Векторы функций входного экземпляра x записываются как
x = (x (1), x (2),··· ,x(i),··· ,x(n))T
X (i) представляет функцию i -i x.Обратите внимание, что x (i) отличается от XI. Эта книга обычно использует XI для представления переменной I -i в нескольких входных переменных, то есть
(1) (2) (n))T
xi = (xi, xi,··· ,xi
Наблюдайте за моделями обучения из сбора учебных данных для прогнозирования тестовых данных (тестовые данные).Данные обучения состоит из ввода (или вектора функций) и вывода. Обучающий набор обычно выражается как
T = {(x1,y1), (x2,y2),··· , (xN ,yN )}
Тестовые данные также состоит из ввода и вывода.Ввод и выход также называются образцами или образцами точек.
1.2 Классификация статистического обучения 7
Входная переменная x и выходная переменная y имеют разные типы, которые могут быть непрерывными или дискретными.В соответствии с различными типами входных и выходных переменных, люди дают разные имена для задач прогнозирования: прогноз входных переменных и выходной переменной - это проблема регрессии; Проблема; ввод И переменные, и выходные переменные являются прогнозирующими задачами переменных последовательностей, называются задачами маркировки.
(2) Объедините предположение об обучении распределением вероятностей, что случайная переменная x и y ввода и вывода сопровождается комбинированным распределением вероятностей p (x, y).P (x, y) представляет функцию распределения или функцию плотности распределения.Обратите внимание, что во время учебного процесса предполагается, что это комбинированное распределение вероятностей существует, но для системы обучения конкретное определение комбинированного распределения вероятностей неизвестно.Данные обучения и номера тестов
Он рассматривается как независимое распределение p (x, y), которое рассматривается как комбинационное распределение вероятностей.Статистическое обучение предполагает, что существуют определенные статистические законы, и распределение комбинированной вероятности X и Y состоит в том, чтобы контролировать и изучать основные предположения о данных.
(3) Предположим, что целью обучения космического надзора является изучение отображения от ввода к выводу, которое представлено моделью.Другими словами, цель обучения - найти хорошую модель.Модель представляет собой набор отображения от входного пространства в выходное пространство. Эта коллекция представляет собой пространство гипотез.Предположим, что определение пространства означает определение объема обучения.
Модель надзора и обучения может быть моделью вероятности или модели недостаточно способности. Она зависит от условного распределения вероятности p (y | x) или функции принятия решения (функция решения) y = f (x), и это зависит от конкретный метод обучения.Когда конкретный выходной прогноз выполняется на конкретном входе, написание p (y | x) или y = f (x).
(4) Формализованный надзор за проблемой использует учебный набор данных для изучения модели, а затем используйте модель для прогнозирования набора испытаний.Поскольку набор данных обучения, который необходимо пометить в этом процессе, отмеченный набор данных обучения часто дается вручную, поэтому
Известно как обучение на надзоре.Обучение надзору разделено на два процесса: обучение и прогнозирование. Система обучения и система прогнозирования завершены. Рисунок 1.1 можно описать.
Рисунок 1.1.
Сначала дайте учебный набор данных
T = {(x1,y1), (x2,y2),··· , (xN ,yN )}
Среди них (xi, yi), i = 1, 2,··&Middot; n, называемый образцом или точкой образца.Xi∈X&Sube; RN - это значение входного наблюдения, также известное как вход или экземпляр, YI∈ Y - выходное наблюдение, также известное как выход.
Обучение надзору делится на два процесса: обучение и прогнозирование, которые завершены системой обучения и системой прогнозирования.В процессе обучения система обучения использует заданный набор учебных данных для получения модели посредством обучения (или обучения), который выражается в виде условного распределения вероятностей.&Circ; (y | x) или функция решения y = f&Цирк; (x).Распределение вероятности состояния p&Circ; (y | x) или функция решения y = f&Circ; (x) описывает зависимость отображения между входом и выходной случайной переменной.Во время процесса прогнозирования система прогнозирования входит в XN 1 концентрации испытательного образца и модель yn 1 = arg max p&Circ; (y | xn 1) или yn 1 = f&Circ; (xn 1) дать это
y
Соответствующий выход YN 1.
В надзоре и обучении, предполагая, что данные обучения и тестовые данные распределяются в соответствии с независимым распределением вероятностей совместного распределения P (x, Y).
Система обучения (то есть алгоритм обучения) пытается выучить модель информационного обучения, представленную выборкой (xi, yi) набора данных.В частности, для ввода Xi конкретная модель y = f (x) может генерировать выход F (xi), а выход, соответствующий набору обучающих данных, составляет yi.Если эта модель обладает хорошей прогнозирующей способностью, разница между выводом выбора образца Yi и выходом модели F (xi) должна быть достаточно мала.Благодаря непрерывным попыткам, система обучения выбирается для выбора хорошей модели, чтобы иметь достаточные прогнозы в наборе данных обучения. В то же время прогнозирование неизвестного тестового набора данных также имеет как можно лучше.
2. Нет надзорного обучения
Неконтролируемое обучение ① (неконтролируемое обучение) относится к проблеме проблем машинного обучения, которые изучают прогнозные модели из помеченных данных.Никакие отмеченные данные не являются естественными данными, прогнозирование модели представляет категорию, преобразование или вероятность данных.Суть неконтролируемого обучения - это статистическое право или потенциальная структура в данных обучения.
Все наборы ввода и вывода модели называются входным пространством и выходным пространством соответственно.Входное пространство и выходное пространство могут быть набором конечных элементов или пространства океана.Каждый вход - это экземпляр, который представлен векторами функций.Каждый вывод является результатом анализа ввода, который представлен входной категорией, преобразованием или вероятностью.Модель может реализовать кластеризацию данных, уменьшение размеров или оценку вероятности данных.
Предположим, X - входное пространство, а z - скрытое структурное пространство.Модель, которая должна быть изучена, может быть выражена как функция z = g (x), распределение условного вероятности p (z | x) или распределение вероятностей условия p (x | z), где x&iSin; x вход, z∈ z вывод.Набор, содержащий все возможные модели, называется гипотетическим пространством.Обучение без присмотра направлено на выбор*превосходной модели в пространстве предположения.
Обучение без присмотра обычно использует большое количество данных в инъекциях, не имеющих стандарта для обучения или обучения, и каждый образец является экземпляром.Данные обучения указывают u = {x1, x2,···, xn}, где xi, i = 1, 2,··&Middot; n, образец.
Обучение без присмотра может использоваться для анализа существующих данных или прогнозирования будущих данных.Используйте модель, полученную путем обучения во время анализа, то есть функция z = g&Circ; (x), условное распределение вероятностей p&Circ; (z | x), или условное распределение вероятностей p&Цирк; (x | z).Во время прогноза существуют аналогичные процессы, как надзор и обучение.Завершен системой обучения и системой прогнозирования, например
① Это также переводится как не -Supervision Learning.
1.2 Классификация статистического обучения 9
Рисунок 1.2 Показано.Во время учебного процесса система обучения учится на наборах обучения данных, чтобы получить*отличную модель, указывая, что функция z =&Circ; g (x), условное распределение вероятностей p&Circ; (z | x) или условное распределение вероятностей p&Цирк; (x | z).Во время процесса прогнозирования система прогнозирования входит в XN 1 для данного входа, а модель Zn 1 = g&Circ; (xn 1) или zn 1 = arg max pˆ(z|xN 1)
z
Дайте соответствующий выходной Zn 1, выполните кластеризацию или уменьшающиеся размеры или модель P&Circ; (x | z) дает вероятность ввода p&Circ; (xn 1 | Zn 1), прони для оценки вероятности.
Рисунок 1.2 Неконтролируемое обучение
3. Укрепление обучения
Подкрепление обучения относится к проблеме машинного обучения со стратегиями в постоянном взаимодействии с окружающей средой в непрерывном взаимодействии с окружающей средой.Предполагая, что взаимодействие между интеллектуальной системой и окружающей средой основано на процессе принятия решений Марков, интеллектуальная система может наблюдать последовательность данных, полученную путем взаимодействия с окружающей средой.Суть укрепления обучения состоит в том, чтобы выучить*отличные предисловие.
Взаимодействие между интеллектуальной системой и средой показано на рисунке 1.3.На каждом этапе T интеллектуальная система наблюдает за государством из окружающей среды (State) ST и вознаграждения RT и предпринимает действие (действие) в.Согласно движению, выбранному интеллектуальной системой, состояние следующего T 1 определяется, что следующая T 1 и вознаграждение RT 1.Стратегия, которая должна быть изучена, выражается как действие, предпринятое в данном состоянии.Цель интеллектуальной системы -не*краткосрочных вознаграждений, а*долгосрочных накопленных вознаграждений.В ходе укрепления обучения система постоянно испытывает и ошибки для достижения цели обучения*отличных стратегий.
Рисунок 1.3 Взаимодействие между интеллектуальными системами и окружающей средой
Процесс принятия решений по укреплению исследования является случайным процессом статуса, вознаграждений и последовательностей действия.&Гамма;) Композиция.
&Bull; S - это сбор ограниченного государства (штат)
&бык; а является коллекцией ограниченных действий (действие)
&бык; P является функцией вероятности переноса состояния (вероятность перехода):
P (s'|s, a)= P (st 1 = s'|st = s, at = a)
&Bull; r - функция вознаграждения (функция вознаграждения): r (s, a) = e (rt 1 | st = s, at = a)
•&Гамма; фактор дисконтирования:γ&Isin; [0, 1] процесс принятия решения Маркова -Марков, а следующее состояние зависит только от предыдущего состояния и движения.' | S, A).Следующая награда зависит от предыдущего состояния и действия, представленного функцией вознаграждения R (s, A).СтратегияΠ Функция определения A = F (S) или условное распределение вероятностей P (A | S) определяется как состояние дачи.Учитывая стратегиюΠ, поведение взаимодействия с интеллектуальной системой и окружающей средой было определено (или определенность или случайная).
Функция значения или функция значения состояния (функция значения состояния) определяется как стратегияΠ математические ожидания длительных кумулятивных вознаграждений, начиная с определенного состояния S:
vπ(s)= Eπ[rt 1γrt 2γ2 rt 3···|st = s] (1.1)
Функция значения действия определяется как стратегияΠ математические ожидания длительных кумулятивных вознаграждений, начиная с определенного государства и действия A:
qπ(s, a)= Eπ[rt 1γrt 2γ2 rt 3···|st = s, at = a] (1.2)
Целью укрепления обучения является выбрать стратегию функции стоимости*во всех возможных стратегияхπ&Lowast;, в фактическом обучении, часто начиная с конкретных стратегий, постоянно оптимизируя существующие стратегии.здесь&Гамма; указывают, что будущие награды будут ослаблены.
Методы обучения подкреплению включают в себя стратегические, ценные), эти два являются без модели (без модели) методов, а также методы на основе моделей.
Существует модель, чтобы попытаться напрямую изучить модель процесса принятия решений Малкова, включая функцию вероятности переноса p (s' | s, a) и функция вознаграждения r (s, a).Это может предсказать обратную связь окружающей среды через модель и найти стратегию функции значения*π&Lowast;.
Никакая модель, стратегический метод не изучает модель напрямую, но попытайтесь решить*отличную стратегиюπ&Lowast;, указывать функцию a = f&Lowast; (ы) или условное распределение вероятностей p&Lowast; (A | S), который также может достичь*превосходного принятия решения в окружающей среде
Введение
Статистический метод обучения - это метод машинного обучения, который является важной дисциплиной в области компьютеров и его применения.
Эта книга разделена на две статьи: надзор и неконтролируемое обучение, всестороннее и систематически введено основные методы статистического обучения.
Включение восприятия машин, соседние методы k, простота Beasfa, применение решений, логическая спина и*энтропийные модели,
Поддержка векторной машины, улучшение метода, алгоритм EM, скрытая модель Маркова и кондиционированный случайный аэропорт, а также методы кластеризации, методы кластеризации,
Странное разложение значений, анализ основных компонентов, потенциальный семантический анализ, потенциальный семантический анализ вероятности, метод Малкова Монте -Карло,
Потенциальное распределение диликра и алгоритм PageRank.За исключением общего статистического обучения, надзор XI и неконтролируемого обучения
В дополнение к четырем главам и резюме, каждая глава представляет метод.Описание стремится начать с конкретных вопросов или экземпляров, от мелкого до глубокого,
Клиптация, дайте необходимый деривация математики, облегчить читателям овладеть сущностью методов статистического обучения и научиться использовать.
Чтобы удовлетворить потребности дальнейшего обучения читателей, в книге было представлено некоторые связанные исследования, и было дано небольшое количество упражнений.
Перечислите основные справочные документы.Эта книга является учебником по статистическому машинному обучению и связанных с ним курсам.
Применимо к интеллектуальному анализу текстовых данных для колледжей и университетов
Профессиональные студенты колледжа, такие как поиск процентов и обработка естественного языка,
Аспиранты также могут быть использованы для исследований и разработчиков, занимающихся специальностями, связанными с компьютерными приложениями.
Эта книга разделена на две статьи: надзор и неконтролируемое обучение, всестороннее и систематически введено основные методы статистического обучения.
Включение восприятия машин, соседние методы k, простота Beasfa, применение решений, логическая спина и*энтропийные модели,
Поддержка векторной машины, улучшение метода, алгоритм EM, скрытая модель Маркова и кондиционированный случайный аэропорт, а также методы кластеризации, методы кластеризации,
Странное разложение значений, анализ основных компонентов, потенциальный семантический анализ, потенциальный семантический анализ вероятности, метод Малкова Монте -Карло,
Потенциальное распределение диликра и алгоритм PageRank.За исключением общего статистического обучения, надзор XI и неконтролируемого обучения
В дополнение к четырем главам и резюме, каждая глава представляет метод.Описание стремится начать с конкретных вопросов или экземпляров, от мелкого до глубокого,
Клиптация, дайте необходимый деривация математики, облегчить читателям овладеть сущностью методов статистического обучения и научиться использовать.
Чтобы удовлетворить потребности дальнейшего обучения читателей, в книге было представлено некоторые связанные исследования, и было дано небольшое количество упражнений.
Перечислите основные справочные документы.Эта книга является учебником по статистическому машинному обучению и связанных с ним курсам.
Применимо к интеллектуальному анализу текстовых данных для колледжей и университетов
Профессиональные студенты колледжа, такие как поиск процентов и обработка естественного языка,
Аспиранты также могут быть использованы для исследований и разработчиков, занимающихся специальностями, связанными с компьютерными приложениями.
об авторе
Ли Ханг, мужчина, окончил кафедру электроники и электроники, Киотвенный университет в Японии и получил докторскую степень по компьютерным наукам в Университете Токио, Япония.Частичный профессор Пекинского университета и Университета Нанкин.Бывший исследователь из Центрального исследовательского института Японии, старший исследователь и директор исследовательского института Microsoft Asia, а также директор лаборатории Ark Ark of Huawei Technology Co., Ltd.В настоящее время он является директором сегодняшней лаборатории искусственного интеллекта.