视频学习笔记
（1）概率论与贝叶斯先验
视频地址：https://www.bilibili.com/video/BV1Tb411H7uC?p=2
概率论基础
统计量
（2）概率论与贝叶斯先验
视频地址：https://www.bilibili.com/video/BV1Tb411H7uC?p=3
矩阵
特征值和特征向量
矩阵求导
用自己的话总结“梯度”，“梯度下降”和“贝叶斯定理”
- 梯度：在微积分里面，对多元函数的参数求∂偏导数，把求得的各个参数的偏导数以向量的形式写出来，就是梯度。比如函数f(x,y), 分别对x,y求偏导数，求得的梯度向量就是(∂f/∂x, ∂f/∂y)T,简称grad f(x,y)或者▽f(x,y)。
- 梯度下降：在机器学习算法中，在最小化损失函数时，可以通过梯度下降思想来求得最小化的损失函数和对应的参数值。梯度下降的几个概念：步长、特征、假设函数、损失函数。
- 贝叶斯定理：贝叶斯定理是关于随机事件A和B的条件概率（或边缘概率）的一则定理。其中P(A|B)是在B发生的情况下A发生的可能性。
内容来源于网络如有侵权请私信删除
文章来源: 博客园
- 还没有人评论，欢迎说说您的想法！
客服
