This is an old revision of the document!
但是,当前它通常被当做一个黑盒来使用
确定性 VS 几率性
机器学习 != 人工智能
最大似然, 最大化后验估计, 贝叶斯估计, 回归方法与过拟合问题
θ^ = arg θ max P(D|θ)
= arg <sub>θ</sub> max ln P(D|θ) = arg <sub>θ</sub> max ln(θ <sup>α <sub>H</sub> </sup> (1-θ) <sup>α <sub>T</sub> </sup> = arg <sub>θ</sub> max (α <sub>H</sub> ln θ + α <sub>T</sub> ln (1-θ))
θ^ = αT / αH + αT
= 3 / 2 + 3
θ<sup>^</sup> = α<sub>T</sub> / α<sub>H</sub> + α<sub>T</sub> * 富:我抛了两个头朝上和三个尾朝上 * 你:θ是3/5,我可以证明 * 富:如果我抛了20个头朝上和30个尾朝上呢 * 你:答案依然一样,我可以证明 * 富:能多解释一下吗 * 你:越多约好吗 * 富:所以我才会给你这么多报酬啊
P(|θ^ - θ*|≥ε)≤2e-2Nε<sup>2<sup>