一、频率派 vs 贝叶斯派
机器学习主要解决从数据中获取其概率分布的问题，通过一些机器学习的算法可以从大量数据中找到一定的规律，从而建立模型来解决实际问题，因此机器学习中主要使用数据来求解其参数：
二、频率派
频率派认为参数
是一个固定的常数（constant），频率派常用的求解方法为极大似然估计法：
频率派的求解步骤为：1.建立模型；2.定义损失函数；3.最优化损失函数。
三、贝叶斯派
绪论|机器学习推导系列（一）
2022-06-06
100
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
绪论|机器学习推导系列（一）
目录
相关文章
|
12月前
|
机器学习/深度学习
算法
自动驾驶
|
机器学习/深度学习
|
机器学习/深度学习
数据采集
自然语言处理
|
机器学习/深度学习
人工智能
算法
|
机器学习/深度学习
人工智能
移动开发
|
机器学习/深度学习
人工智能
算法
|
机器学习/深度学习
算法
数据挖掘
|
机器学习/深度学习
算法
|
机器学习/深度学习
算法
数据挖掘
机器学习【西瓜书/南瓜书】--- 第1章绪论（学习笔记+公式推导）
本博客为博主在学习 机器学习【西瓜书 / 南瓜书】过程中的学习笔记，每一章都是对《西瓜书》、《南瓜书》内容的总结和提炼笔记，博客可以作为各位读者的辅助思考，也可以做为读者快读书籍的博文，本博客对西瓜书所涉及公式进行详细的推理以及讲解，本人认为，不推导公式所学得的知识是没有深度的，是很容易忘记的，有些公式推导起来并不复杂，只是被看似复杂的数学表达式所“吓唬”，希望大家拿上纸笔，跟着博主一起学习，一起推导。
175
0
0
|
机器学习/深度学习
存储
人工智能
热门文章
最新文章
1
[机器学习] 1、《机器学习系统设计》学后总结
2
【教程】5分钟在PAI算法市场发布自定义算法
3
斯坦福机器学习公开课学习笔记(3)—拟合问题以及局部权重回归、逻辑回归
4
【翻译】Sklearn 与 TensorFlow 机器学习实用指南 —— 第11章 训练深层神经网络（中）
5
阿里云机器学习PAI全新推出特征平台 (Feature Store)，助力AI建模场景特征数据高效利用
6
我们如何利用AI和机器学习将游戏引入现实生活？
7
09 机器学习调参
8
程序员如何开启机器学习之路？我也遇到过这个问题
9
使用SAP Cloud Platform Leonardo机器学习提取图片的特征向量
10
《R语言机器学习：实用案例分析》——1.3节使用函数
1
利用机器学习算法改善电商推荐系统的效率
97
2
构建高效机器学习模型的策略与实践
13
3
构建高效机器学习模型：从数据预处理到模型调优
10
4
机器学习的魔法（三）解析无监督学习的黑科技，揭秘新闻话题背后的神奇算法
28
5
机器学习的魔法（二）超越预测的界限-揭秘机器学习的黑科技-探索监督学习中的回归和分类问题
140
6
机器学习的魔法（一）从零开始理解吴恩达的精炼笔记
37
7
MAC系统机器学习环境配置常见问题
36
8
构建高效机器学习模型：从数据预处理到模型优化
35
9
构建高效机器学习模型：从数据预处理到模型调优
44
10
JAMA | 机器学习中的可解释性：SHAP分析图像复刻与解读
345