程序员经验分享-hwhale

七月在线机器学习

2023-05-16

  • 异方差性
  • ID3算法
  • 中文分词
  • HMM
  • 非参数统计和参数统计
  • 切比雪夫不等式
  • 条件熵
  • K-L变换和主成分分解
  • 生成模型和判别模型
  • 非抽样误差
  • 径向基函数
  • 线性回归的基本假设
  • 最大熵
  • SVM中的C和gamma参数
  • 距离度量
  • 牛顿法和拟牛顿法
  • 拉灯问题
  • 铺瓷砖问题
  • 哈夫曼编码树
  • 最大堆最小堆
  • 常见排序算法的稳定性

机器学习习题集

异方差性

指的是误差项的方差不是常数，有unconditional heteroskedasticity和conditional heteroskedasticity。
这里写图片描述
这里写图片描述
这里写图片描述

ID3算法

决策树之 ID3 算法

中文分词

机器如何解读语言？中文分词算法你知道几种？
中文分词的基本原理以及jieba分词的用法

HMM

已知状态序列、观察序列- 最大化似然
序列预测：维特比算法
观察序列- EM算法估计参数
评估- 前向后向算法

A、B：前向、后向算法解决的是一个评估问题，即给定一个模型，求某特定观测序列的概率，用于评估该序列最匹配的模型。
C：Baum-Welch算法解决的是一个模型训练问题，即参数估计，是一种无监督的训练方法，主要通过EM迭代实现；
D：维特比算法解决的是给定 一个模型和某个特定的输出序列，求最可能产生这个输出的状态序列。如通过海藻变化（输出序列）来观测天气（状态序列），是预测问题，通信中的解码问题。

非参数统计和参数统计

非参数统计方法
这里写图片描述
这里写图片描述
这里写图片描述
统计问题中，如果总体分布不能用有限个实参数来刻画，只能对它作一些诸如分布连续、有密度、具有某阶矩等一般性的假定，则称之为非参数统计问题。非参数统计适用于以下四种情况：1.待分析数据不满足参数检验所要求的假定；2.仅由一些等级构成的数据；3.所提的问题中并不包含参数；4.需要迅速得出结果。选项C中，对就业前景的看法可以描述为对就业看好程度，如“乐观”、“消极”等，这样的数据仅是由一些等级构成，适合使用非参数统计。

切比雪夫不等式

切比雪夫不等式到底是个什么概念

条件熵

最大熵模型中的数学推导
这里写图片描述
这里写图片描述

H(X|Y)=−∑x,yp(x,y)logp(x|y)=−∑x,yp(x|y)p(y)logp(x|y) H ( X | Y ) = − ∑ x , y p ( x , y ) l o g p ( x | y ) = − ∑ x , y p ( x | y ) p ( y ) l o g p ( x | y )

K-L变换和主成分分解

PCA的数学原理

生成模型和判别模型

生成模型与判别模型
机器学习“判定模型”和“生成模型”有什么区别？
这里写图片描述
这里写图片描述

非抽样误差

  • 非抽样误差又称“工作误差”。指在调查过程中由于种种人为因素所造成的代表性误差及登记性误差的总称。前者通常是指调查方案设计有缺陷，如题器或指标含义不清、有诱导性;调查员在实施调查中不遵守随机原则，有意多选较好或较差的单位，等等。后者是指在记录、汇总、计算、抄写调查数据资料时所发生的差错。人为因素所造成的代表性误差通常表现为一种系统性的偏差。

  • 它与抽样误差由于随机地观察总体中的一部分单位所造成的样本统计量的波动而产生的代表性误差有着明显的不同。抽样误差也叫随机误差，是指由于抽取的样本随机值的波动，是无法进行避免的。抽样误差是围绕分布中心所表现出的没有方向性的非系统性的误差，工作误差则是稳定的、有方向性的系统性偏差。

  • 避免非抽样误差的主要措施是：(一)严格遵守随机原则，规定应抽选作为样本的调查对象都必须一一调查，不能随便更换、减少或增加，避免有意多选较好或较坏的调查对象来达到自己原定要说明某个问题的目的;(二)搞好问卷设计，严守客观公正的原则，避免题器设计所产生的诱导性因素，并努力使调查项目所涉及的概念指标尽可能地操作化到清晰、明确、唯一的程度; (三)认真培训调查登记人员，做好一切必要的准备工作，尽量不发生填表、登记之类过程中的差错。

径向基函数

所谓径向基函数 (Radial Basis Function 简称 RBF), 就是某种沿径向对称的标量函数。 通常定义为空间中任一点x到某一中心点xc之间欧氏距离的单调函数 , 可记作 K(||x−xc||) K ( | | x − x c | | ) , 其作用往往是局部的 , 即当x远离xc时函数取值很小。最常用的径向基函数是高斯核函数 ,形式为 K(||x−xc||)=exp−||x−xc||22σ2 K ( | | x − x c | | ) = e x p − | | x − x c | | 2 2 σ 2 其中 xc x c 为核函数中心,σ为函数的宽度参数 , 控制了函数的径向作用范围。

由radial basis: exp(−γ||u−v||2) e x p ( − γ | | u − v | | 2 ) 可知, γ γ 越小, 模型越简单, 平滑度越好, 分类边界越不容易过拟合。

线性回归的基本假设

这里写图片描述

最大熵

一步一步理解最大熵模型

SVM中的C和gamma参数

SVM的两个参数 C 和 gamma

距离度量

数学距离与相似度度量

牛顿法和拟牛顿法

梯度下降，牛顿法和拟牛顿法

拉灯问题

2015招警考试行测备考指导：拉灯问题思路分析

铺瓷砖问题

用1 x 1和2 x 2的磁砖不重叠地铺满N x 3的地板

哈夫曼编码树

详细图解哈夫曼Huffman编码树

最大堆最小堆

最大堆（创建、删除、插入和堆排序）

常见排序算法的稳定性

常见排序算法的稳定性分析和结论

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)

七月在线机器学习

七月在线机器学习 的相关文章

  • git基本操作介绍

    简介 本文会简单介绍git的基本操作 这篇文章适合对git的安装 使用 运行环境 工作原理有一定了解的人员阅读 xff1b 对于初学者 xff0c 可以先参考以下文章 xff1a 最新git安装教程 windows系统git安装教程 git

  • Anaconda创建跟别人环境配置一样的虚拟环境（coda env creat -f environment.yml）

    当我们跑别人在github上的代码时 xff0c 往往需要配置跟作者一样的环境 当作者导出自己的环境配置时 xff0c 一般都是 yml文件 xff0c 这时候需要输入命令行来实现配置一模一样的环境 导出的yml文件一般配置如下 xff1a

  • 计算机视觉代码学习

    前言 自从2012年Hinton提出Alexnet以来 xff0c 深度学习 计算机视觉 xff08 CV xff09 就成为一个非常热门的赛道 从学术界到工业界 xff0c 纷纷掀起一股人工智能的浪潮 特别是学术界 xff0c 计算机视觉

  • 如何准备大学生电子设计竞赛

    大学生电子设计竞赛难度中上 xff0c 一般有好几个类型题目可以选择 xff0c 参赛者可以根据自己团队的能力 优势去选择合适自己的题目 xff0c 灵活自主空间较大 参赛的同学们可以在暑假好好学习相关内容 xff0c 把往年的题目拿来练练

  • 聊聊ChatGPT

    ChatGPT 这几周科技圈最火的当属ChatGPT xff0c 自媒体中十篇有九篇都是关于ChatGPT的 ChatGPT上可知天文 xff0c 下可知地理 xff0c 还可写论文 搞代 写小说 xff0c 可谓 全能型选手 自从去年11

  • 修改简历有用吗

    看情况 xff0c 一般都是很有用哒 xff01 简历修改会突出你的重点和优点 xff0c 优化你的简历内容 xff0c 让面试官一眼看到简历就被吸引了 xff01 如以上图片所示

  • 运行Python时出现SyntaxError: EOL while scanning string literal解决方法

    当运行Python时 xff0c 出行SyntaxError EOL while scanning string literal 一般是语法出现错误 xff0c 看一下是不是哪里忘记添加符号或是分号 xff1a 这些没打

  • 数据结构选择练习题（有解析）

    前言 已经到期末了 xff0c 昨天进行了一次马原考试 xff0c 那时候挺紧张的 xff0c 那时候虽然写完了试卷 xff0c 但是有4道题是乱写的 xff0c 因为我刚好没有背 xff0c 希望不会挂科吧 然后今天呢 xff0c 就开始

  • 论文阅读_异常检测综述

    英文题目 xff1a Anomaly Detection A Survey 中文题目 xff1a 异常检测综述 论文地址 xff1a https readpaper com paper 2122646361 领域 xff1a 异常检测 发表

  • 解决Mybatis-Plus分页插件无效

    1 导入依赖 span class token tag span class token tag span class token punctuation lt span dependencies span span class token

  • 一、FreeRTOS任务调度相关函数详解

    文章目录 1 FreeRTOS任务调度及相关函数分析1 1 任务创建过程分析1 1 1 任务创建函数分析1 1 2 任务初始化函数分析1 1 3 任务堆栈初始化分析1 1 4 添加任务到就绪列表 1 2 任务删除过程分析1 3 任务挂起过程

  • linux的exit和_exit

    进程退出 退出一个进程有多种方式 xff1a 正常退出 xff1a 在main函数里return 在进程里面调用exit exit 在进程的最后一个子线程调用pthread exit 异常退出 xff1a 被信号 xff08 9 15 xf

  • 三、任务切换之PendSV异常

    文章目录 PendSV异常1 没有PendSV异常的任务切换2 有PendSV异常的任务切换2 1 系统调用引起的任务切换2 2 systick中断引起任务切换2 3 PendSV异常处理函数2 4 寻找下一个要运行的任务2 5 时间片调度

  • Cortex-M系列中断和异常（一）

    文章目录 1 中断与异常1 1 异常的类型1 2 异常及中断的管理1 2 1 中断的一般使用方法 1 3 优先级的定义1 4 向量表和向量表的重定义1 4 1 向量表重定向的应用场景 1 5 中断输入和挂起行为1 5 1 中断请求的类型 1

  • Cortex-M系列中断和异常（三）

    文章目录 Cortex M系列中断和异常1 1 SCB中的寄存器1 1 1 中断控制和状态寄存器 xff08 SCB gt ICSR xff09 1 1 2 向量表偏移寄存器 xff08 SCB gt VTOR xff09 1 1 3 应用

  • Cortex-M系列中断和异常（四）

    文章目录 1 中断及异常的注意事项1 1 中断及异常的优先级配置1 2 中断与栈空间的关系1 3 向量表重定向情况1 4 软件中断1 5 ARM架构及中断 2 函数调用与异常处理的过程2 1 函数调用过程2 2 异常处理过程2 2 1 栈帧

  • Cortex-M芯片低功耗开发

    文章目录 芯片的低功耗1 1 低功耗的测量数据1 2 低功耗的系统特性1 3 低功耗的系统需求1 3 1 Cortex M3和Cortex M4处理器的低功耗特点 1 4 低功耗系统特性1 4 1 休眠模式1 4 2 系统控制寄存器 xff

  • Keil 启动文件详解

    文章目录 1 启动文件详解1 1 启动文件的主要任务1 2 启动文件中的汇编指令1 3 启动代码讲解1 3 1 栈的初始化1 3 2 堆的初始化1 3 3 向量表初始化1 3 4 复位程序1 3 5 中断服务程序1 3 6 用户堆栈初始化

  • TiveC微控制器基础练习1.1源码

    基础练习1 1 软件延时实现LED闪烁 硬件描述 LED2 蓝色 PF0 LED3 绿色 PA4 LED4 红色 PD6 使用这个引脚 注意事项 引脚PF0和PD7比较特殊 默认是保护的 要重新编程操作的话 需要先解锁 小技巧 通过SysC

随机推荐

  • git-lfs filter-process: git-lfs: command not found

    最初是认为网络不稳定 xff0c 或者git版本过低 开始自己的git版本是1 20 xff0c 后续升级为1 32仍旧存在这个问题 之后安装了git lfs xff0c 问题解决 不知道为什么其他同事没有出现该问题 brew instal

  • gazebo和rviz有具体的区别吗？哪个更好用？

    文章来源 xff1a 企鹅号 古月居 https www zhihu com question 268658280 answer 340190866 简单来讲 xff0c 两者的主要功能不同 xff0c 没办法比较哪个更好用 xff0c 如

  • Ubuntu下好用的录屏和视频格式转换工具

    xff08 1 xff09 Ubuntu录屏工具 kazam 安装 sudo apt get install kazam 安装完之后 xff0c 命令行中输入 xff1a kazam 就可以启动工具了 xff0c 可以看到工具界面如下 xf

  • linux的fork和vfork

    fork和vfork 区别 fork函数和vfork函数都可以用来创建一个子进程 他们有什么区别呢 xff1f 首先是fork xff1a 内核会给子进程分配虚拟内存空间和id xff0c 但不会分配物理内存子进程一开始是共享父进程的物理空

  • 经典卷积神经网络（一）：LeNet-5和AlexNet

    本节介绍几种广泛使用的典型深层卷积神经网络 LeNet 5 LeNet 5 LeCun et al 1998 虽然提出的时间比较早 xff0c 但是是一个非常成功 的神经网络模型 基于LeNet 5的手写数字识别系统在90年代被美国很多银行

  • FreeRTOS中打开关闭任务切换

    本文介绍FreeRTOS中解决多任务之间互相影响的两种方法 1 基本临界区 基本临界区是指宏 taskENTER CRITICAL 与taskEXIT CRITICAL 之间的代码区间 xff0c 下面是一段范例代码 Critical Se

  • 嵌入式八股文汇总

    1 C C 43 43 1 1 关键字 xff08 参考 嵌入式及Linux那些事 以及众多帖子汇总而成 xff09 volatile 当声明指向设备寄存器的指针时一定要用volatile xff0c 它会告诉编译器不要对存储在这个地 址的

  • 嵌入式面试常考问题

    面试经验 c c 43 43 1 malloc与new的区别 1 new是操作符 xff0c malloc是函数 2 new使用时先分配内存 xff0c 再调用构造函数 xff0c 释放时调用析构函数 3 new只能分配实例所占类型的整数倍

  • 神经网络应用较多的算法,图卷积神经网络应用

    神经网络原理及应用 神经网络原理及应用1 什么是神经网络 xff1f 神经网络是一种模拟动物神经网络行为特征 xff0c 进行分布式并行信息处理的算法 这种网络依靠系统的复杂程度 xff0c 通过调整内部大量节点之间相互连接的关系 xff0

  • K8S api接口详解

    一 创建管理员用户 xff0c 授权 xff0c 获取token值 1 创建用户 编写CreateServiceAccount yaml文件 span class token key atrule apiVersion span span

  • OpenStack floating IP

    1 弹性公网IP 私有IP 浮动IP 虚拟IP之间区别 弹性公网IP是可以直接访问Internet的IP地址 一个弹性公网IP只能给一个ECS使用 私有IP是公有云内网所使用的IP地址 xff0c 用于内网通信 xff0c 私有IP不能访问

  • 修改apt-get源为国内镜像源

    span class token comment 备份 span span class token function cp span etc apt sources list etc apt sources list bak span cl

  • Ubuntu安装aptitude

    安装aptitude xff0c 利用aptitude对依赖关系进行智能处理 span class token function sudo span span class token function apt get span span c

  • ubuntu桌面出现问题，重启x桌面方法

    ubuntu默认有7个console xff0c ctr 43 alt 43 xff08 F1 F7 xff09 可以切换控制台 xff0c 其中F7是图形界面 xff0c 其余都是字符界面 X window出现问题 xff0c 需要进入字

  • Linux-KVM虚拟机的创建和快照命令

    KVM xff1a Kernel based Virtual Machine的简称 xff0c 是一个开源的系统虚拟化模块 xff0c 自Linux 2 6 20之后集成在Linux的各个主要发行版本中 安装虚拟机脚本 xff1a 虚拟机的

  • 浅谈stm32的低功耗模式

    stm32标准库实现低功耗 一 概述 stm32不同系列芯片支持的低功耗模式各有差异 xff0c 本文以F103系列芯片为例 xff0c 简单讲解不同低功耗模式的特点和使用方法 二 低功耗 简述 默认情况下 xff0c 系统或电源复位后 x

  • Vncservice多用户登陆

    1 修改 etc sysconfig vncserver 添加一个 longgangtest 的用户 2 在系统中新建一个 longgangtest的用户 adduser longgangtest 然后执行 好像需要执行 xff0c 测试的

  • 使用正点原子资料点亮野火linux开发板LED

    64 TOC

  • 斜杠、反斜杠的区别

    我们在写程序时候经常会混淆 和 xff0c 经常听到别人讲 斜杠 xff0c 反斜杠 xff0c 那么怎么区分它们呢 xff1f 还有它们各在什么样的场景下使用呢 xff1f 本篇文章是来区别这两个符号和总结使用它们的情形 1 区分 是斜杠

  • 七月在线机器学习

    异方差性ID3算法中文分词HMM非参数统计和参数统计切比雪夫不等式条件熵K L变换和主成分分解生成模型和判别模型非抽样误差径向基函数线性回归的基本假设最大熵SVM中的C和gamma参数距离度量牛顿法和拟牛顿法拉灯问题铺瓷砖问题哈夫曼编码树最

热门标签