Shinesu

摘要： 注： 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者：红色石头 微信公众号：AI有道 上节课讲了一个机器学习很重要的工具——Validation。我们将整个训练集分成两部分：$D_{train}$ 和 $D_{val}$，一部分作为机器学习模型建立的训练数据，另一部分作为验证 阅读全文

摘要： 注： 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者：红色石头 微信公众号：AI有道 上节课主要讲了为了避免overfitting，可以使用regularization方法来解决。在之前的$E_{in}$上加上一个regularizer，生成$E_{aug}$，将其最小化，这 阅读全文

摘要： 注： 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者：红色石头 微信公众号：AI有道 上节课介绍了过拟合发生的原因：excessive power, stochastic/deterministic noise 和limited data。并介绍了解决overfitting的 阅读全文

摘要： 注： 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者：红色石头 微信公众号：AI有道 上节课主要介绍了非线性分类模型，通过非线性变换，将非线性模型映射到另一个空间，转换为线性模型，再来进行分类，分析了非线性变换可能会使计算复杂度增加。本节课介绍这种模型复杂度增加带来机器学习中 阅读全文

摘要： 注： 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者：红色石头 微信公众号：AI有道 上一节课介绍了分类问题的三种线性模型，可以用来解决binary classification和multiclass classification问题。本节课主要介绍非线性的模型来解决分类问题 阅读全文

摘要： 注： 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者：红色石头 微信公众号：AI有道 上一节课，我们介绍了Logistic Regression问题，建立cross entropy error，并提出使用梯度下降算法gradient descent来获得最好的logistic 阅读全文

摘要： 作业解析 1. 阐述BufferedReader和BufferedWriter的工作原理， 是否缓冲区读写器的性能恒大于非缓冲区读写器的性能，为什么，请举例说明？ 答： BufferedReader对Reader类进行了装饰，即在成员变量中声明一个Reader成员变量，在构造时将该成员变量进行初始化 阅读全文

摘要： 作业解析 1. 描述HashMap内部实现原理 HashMap是一种存储机制，存储的是key value对，key用来保证元素的唯一性。通过hash算法将要存储的对象打散，分布在不同的区间中。 当添加对象时，先得到该对象的hashcode，通过hashcode定位到将要存储的区间上，然后将区间中原有 阅读全文

摘要： 注： 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者：红色石头 微信公众号：AI有道 上一节课介绍了Linear Regression线性回归，用均方误差来寻找最佳的权重向量$w$，获得最好的线性预测。本节课将介绍Logistic Regression逻辑回归问题。 一、Lo 阅读全文

摘要： 注： 文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。 笔记原作者：红色石头 微信公众号：AI有道 上节课，主要介绍了在有noise的情况下，VC Bound理论仍然是成立的。同时，介绍了不同的error measure方法。本节课介绍机器学习最常见的一种算法：Linear Regress 阅读全文