神经网络与机器学习
上一次修改时间：2018-02-04 12:44:39

环境和线性回归

  1. 学习环境

    image.png

    image.png

    image.png

    IDE:

    image.png

    image.png

    image.png

    image.png

    image.pngimage.png

    image.png

    image.pngimage.png

    image.png

    image.png

    image.png

    image.pngimage.png

    image.png

    image.png

    image.png

    QQ图片20180204032115.png

    image.png

    image.png

    QQ图片20180204032644.png

    image.png

    image.png

  2. 机器学习案例详解

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    QQ图片20180204034442.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    注：不线性相关并不代表不相关，可能高阶相关，如x = x^2

    image.png

    image.png

    image.png

    QQ图片20180204035450.png  

  3. 线性回归

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    注：θ为模型中，在损失函数已定的情况下，需要通过训练数据求的未知参数；线性回归中，在假设残差为正态分布的情况下，需要求的参数为向量x的系数w，以及方差σ；

    image.png

    注：MLE(极大似然估计)是求解参数w和σ的一个种方式；

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    QQ图片20180204070033.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png