机器学习数学基础——概率论与贝叶斯先验
文章目录
- 机器学习数学基础——概率论与贝叶斯先验
- 一、引入
- 二、概率公式
- 三、分布
- (一)两点分布（离散的）
- （二）二项分布Bernoulli distribution（离散的）
- （三）考察Taylor展式（离散的）
- （四）泊松分布Poisson distribution(离散的)
- （五）均匀分布（连续的）
- （六）指数分布（连续的）
- （七）正态分布
- （八）总结
- （九）Beta分布
- （十）Bernoulli分布
- （十一）Gaussian分布
- 四、事件的独立性
- 五、方差
- 六、协方差
- 七、协方差矩阵
- 八、切比雪夫不等式
- 九、大数定律
- 十、中心极限定理
机器学习数学基础——概率论与贝叶斯先验
一、引入
代码:
应用：商品推荐
解决办法：
公路堵车模型：
二、概率公式
贝叶斯公式的应用
在给定一些样本的条件下，求事件θ的发生概率
三、分布
(一)两点分布（离散的）
（二）二项分布Bernoulli distribution（离散的）
（三）考察Taylor展式（离散的）
（四）泊松分布Poisson distribution(离散的)
（五）均匀分布（连续的）
（六）指数分布（连续的）
指数分布的无记忆性
（七）正态分布
二元正态分布图
（八）总结
（九）Beta分布
（十）Bernoulli分布
Sigmoid/Logistic函数
Sigmoid函数的导数
（十一）Gaussian分布
四、事件的独立性
（一）不同数据类型期望的定义方法
（二）期望的性质
（三）例子
计算期望
集合Hash问题