Запитання з тегом «statistics»

Я вивчав цю ділянку, і вони кажуть, що перевиконання дій в машинному навчанні погано, але наші нейрони стають дуже сильними і знаходять найкращі дії / відчуття, які ми проходимо або уникаємо, плюс може бути зменшено / посилено від поганого / хороший з поганих чи добрих спрацьовуючих механізмів, тобто дії вирівнюються, …

27 machine-learning  statistics 

Останнім часом я самостійно вивчаю максимізацію очікувань і захоплюю собі кілька простих прикладів. З тут : Є три монети , і з , і відповідну ймовірність для посадки на голові , коли кинув. Кидок . Якщо результат - голова, тричі киньте , інше киньте тричі. Дані, які спостерігаються та є …

18 probability-theory  statistics 

Припустимо, нам дано два числа і і ми хочемо знайти для l \ le i, \, j \ le r .lllrrrmax(i⊕j)max(i⊕j)\max{(i\oplus j)}l≤i,j≤rl≤i,j≤rl\le i,\,j\le r Наївний алгоритм просто перевіряє всі можливі пари; наприклад, у рубінах у нас буде: def max_xor(l, r) max = 0 (l..r).each do |i| (i..r).each do |j| if …

14 algorithms  algorithms  machine-learning  statistics  testing  terminology  asymptotics  landau-notation  reference-request  optimization  scheduling  complexity-theory  time-complexity  lower-bounds  communication-complexity  computational-geometry  computer-architecture  cpu-cache  cpu-pipelines  operating-systems  multi-tasking  algorithms  algorithm-analysis  education  correctness-proof  didactics  algorithms  data-structures  time-complexity  computational-geometry  algorithms  combinatorics  efficiency  partitions  complexity-theory  satisfiability  artificial-intelligence  operating-systems  performance  terminology  computer-architecture 

Загальновідомий факт, що "Кореляція не дорівнює причинно-наслідковій причині", але машинне навчання майже повністю базується на кореляції. Я працюю над системою оцінювання результативності студентів з питань, виходячи з їх минулих виступів. На відміну від інших завдань, як-от пошук у Google, це не схоже на систему, з якою легко грати в ігри, …

13 machine-learning  statistics 

Прогноз Naive Bayes робить свої прогнози, використовуючи цю формулу: P(Y=y|X=x)=αP(Y=y)∏iP(Xi=xi|Y=y)P(Y=y|X=x)=αP(Y=y)∏iP(Xi=xi|Y=y)P(Y=y|X=x) = \alpha P(Y=y)\prod_i P(X_i=x_i|Y=y) де - нормалізуючий фактор. Для цього потрібно оцінити параметри з даних. Якщо ми робимо це з -smoothing, то отримуємо оцінкуαα\alphaP(Xi=xi|Y=y)P(Xi=xi|Y=y)P(X_i=x_i|Y=y)kkk P^(Xi=xi|Y=y)=#{Xi=xi,Y=y}+k#{Y=y}+nikP^(Xi=xi|Y=y)=#{Xi=xi,Y=y}+k#{Y=y}+nik\hat{P}(X_i=x_i|Y=y) = \frac{\#\{X_i=x_i,Y=y\} + k}{\#\{Y=y\}+n_ik} де є можливі значення для . Я з цим добре. Однак …

13 machine-learning  probability-theory  statistics