机器学习中的概率估计指什么?

2020/09/28 04:44
机器学习算法会涉及到大量的数学基础内容,数学好的童靴们,你们的优势来了。在机器学习中涉及到了三个数学工具,分别是线性代数、概率统计(概率估计)、最优化理论。

今天,我们来讲概率统计,在机器学习中会涉及到很多相关的知识点,我们一起来看看!

(一)概率核心理论
概率的核心理论,搞清楚条件概率的问题,并且理清联合概率、边缘概率、条件概率这几个核心概念。同时,在此基础上熟悉和掌握贝叶斯公式和相关理论。

(二)核心的几种随机变量的分布以及变量之间的关系
这是基础的知识点,我们需要掌握离散型随机变量的几种主要的分布,而连续型随机变量主要就是掌握正态分布即可。并且熟练运用程序的工具获取分布的期望、方差等数字特征,了解概率密度函数和累积分布函数。对多组不同的变量,熟悉协方差以及相关性的意义和计算方法。

(三)参数估计理论
这一部分的内容会在后续的算法中广泛的体现和运用,因此理论与方法显得格外重要。需要重点掌握最小偏差无偏估计、最大似然估计和贝叶斯估计的相关内容。并且学习EM算法。


(四)建立随机理论的相关概念
这里首先需要掌握蒙特卡罗方法的基本思想。同时巩固贝叶斯的思想方法,接触一下马尔科夫蒙特卡洛(MCMC)算法。


(五)随机过程初步理论和应用
随机过程是门很深的课程,从应用的角度来讲,对于理论层面不必研究太深,以基础知识和基本应用为主。

首先马尔科夫链是必须学习的,了解状态转移矩阵、多步转移、几种不同的状态分类、平稳分布等最基本的内容。然后在此概念基础上,学习隐马尔科夫链的相关内容,聚焦其基本概念,以及概率估计、计算和参数学习的一些方法。

免费直播

    精选课程 更多

    注册电脑版

    版权所有 2003-2020 广州环球青藤科技发展有限公司