Statistiques et Big Data pac-learning

20

Les deux cultures: statistiques vs apprentissage automatique?

L'année dernière, j'ai lu un article de Brendan O'Connor sur le blog intitulé "Statistiques contre apprentissage automatique, combattez!" qui a discuté de certaines des différences entre les deux domaines. Andrew Gelman a répondu favorablement à ceci : Simon Blomberg: Du paquet de fortune de R: Pour paraphraser de manière provocante, …

420 machine-learning pac-learning

3

Qu'entend-on par «apprenant faible»?

Quelqu'un peut-il me dire ce que l'on entend par l'expression «apprenant faible»? Est-ce supposé être une hypothèse faible? Je suis confus quant à la relation entre un apprenant faible et un classificateur faible. Les deux sont les mêmes ou y a-t-il une différence? Dans l'algorithme AdaBoost, T=10. Que veut-on dire …

34 classification svm terminology adaboost pac-learning

4

Introduction à l'apprentissage automatique pour les mathématiciens

Dans un certain sens, c'est une croix de ma part de math.stackexchange , et j'ai le sentiment que ce site pourrait fournir un large public. Je recherche une introduction mathématique au machine learning. En particulier, beaucoup de littérature qui peut être trouvée est relativement imprécise et beaucoup de pages sont …

23 machine-learning references pac-learning

6

Quelle est l'idée «fondamentale» de l'apprentissage automatique pour estimer les paramètres?

L'idée «fondamentale» des statistiques pour estimer les paramètres est le maximum de vraisemblance . Je me demande quelle est l'idée correspondante dans l'apprentissage automatique. Qn 1. Serait-il juste de dire que l'idée «fondamentale» de l'apprentissage automatique pour estimer les paramètres est: «Fonctions de perte» [Remarque: J'ai l'impression que les algorithmes …

19 machine-learning maximum-likelihood loss-functions pac-learning

1

Pourquoi supposons-nous que l'erreur est normalement distribuée?

Je me demande pourquoi utilisons-nous l'hypothèse gaussienne lors de la modélisation de l'erreur. Dans le cours de ML de Stanford , le professeur Ng le décrit essentiellement de deux manières: C'est mathématiquement pratique. (Il est lié à l'ajustement des moindres carrés et facile à résoudre avec pseudoinverse) En raison du …

17 regression normality-assumption pac-learning

2

Quelles sont les alternatives à la dimension VC pour mesurer la complexité des réseaux de neurones?

J'ai rencontré quelques moyens de base pour mesurer la complexité des réseaux de neurones: Naïf et informel: comptez le nombre de neurones, de neurones cachés, de couches ou de couches cachées Dimension VC (Eduardo D. Sontag [1998] "Dimension VC des réseaux de neurones" [ pdf ].) Une mesure de la …

16 neural-networks theory vc-dimension pac-learning

2

Que signifie la théorie de l'apprentissage PAC?

Je suis nouveau dans l'apprentissage automatique. J'étudie un cours en machine learning (Stanford University) et je n'ai pas compris ce que l'on entend par cette théorie et quelle est son utilité. Je me demande si quelqu'un pourrait détailler cette théorie pour moi. Cette théorie est basée sur cette équation.

15 machine-learning probability pac-learning

1

Analyse complexe, analyse fonctionnelle pour une meilleure compréhension du Machine Learning

Je souhaite approfondir le Machine Learning (théorie et application en Finance). Je veux savoir dans quelle mesure l' analyse complexe et l'analyse fonctionnelle sont pertinentes comme base de l'apprentissage automatique? Dois-je apprendre ces sujets ou dois-je me concentrer sur un autre sujet (si oui, sur quoi?)

10 machine-learning pac-learning

2

Calculer la courbe ROC pour les données

Donc, j'ai 16 essais dans lesquels j'essaie d'authentifier une personne à partir d'un trait biométrique en utilisant Hamming Distance. Mon seuil est fixé à 3,5. Mes données sont ci-dessous et seul l'essai 1 est un vrai positif: Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 5 0.55 …

9 mathematical-statistics roc classification cross-validation pac-learning r anova survival hazard machine-learning data-mining hypothesis-testing regression random-variable non-independent normal-distribution approximation central-limit-theorem interpolation splines distributions kernel-smoothing r data-visualization ggplot2 distributions binomial random-variable poisson-distribution simulation kalman-filter regression lasso regularization lme4-nlme model-selection aic r mcmc dlm particle-filter r panel-data multilevel-analysis model-selection entropy graphical-model r distributions quantiles qq-plot svm matlab regression lasso regularization entropy inference r distributions dataset algorithms matrix-decomposition regression modeling interaction regularization expected-value exponential gamma-distribution mcmc gibbs probability self-study normality-assumption naive-bayes bayes-optimal-classifier standard-deviation classification optimization control-chart engineering-statistics regression lasso regularization regression references lasso regularization elastic-net r distributions aggregation clustering algorithms regression correlation modeling distributions time-series standard-deviation goodness-of-fit hypothesis-testing statistical-significance sample binary-data estimation random-variable interpolation distributions probability chi-squared predictor outliers regression modeling interaction

Questions marquées «pac-learning»