分割线

20191011

看完了前两章，开始看第三章。

第1章是绪论，第2章是模型评估与选择，第3章是线性模型。

第1章11引言讲了西瓜故事，然后12基本术语介绍了分类、回归、二分类、多分类、聚类。监督和无监督学习。13假设空间说了这是属于广义归纳学习以及假设空间。14归纳偏好提到奥卡姆剃刀和定理，提到具体问题才是关心的。15发展历程。16应用现状。17阅读材料提到深度学习、多释原则、重要的学术会议。习题冇啥好说的。

第2章21经验误差与过拟合，介绍过拟合与欠拟合，22评估方法，留出法、交叉验证法常称k折交叉验证、自助法笔记1/e0368、调参与最终模型。23性能度量，最基础的错误率与精度，查准率、查全率和1度量，受试者工作特征曲线，曲线下面积，代价敏感错误率与代价曲线，有个期望总体代价。24比较检验里的假设检验、交叉验证检验、ear检验、riean检验和eenyi后续检验。后几个不大懂。25偏差与方差也写的很腻害的样子。仔细看了前面也还行能懂，泛化误差可分解为偏差、方差与噪声之和。26阅读材料罢说了。

感觉第二章看了一万年，原来只是单纯地搞出模型之后的处理吗？但是想想内容的确不少，主要评估的模型而不是数据。

第3章刚看一面看到了转置矩阵，略微激动，把线性代数教材也拿下来放在了笔记本旁的常用书架，高等数学和概率论早拿下来了。

说起来多是查概率论课本，什么概率密度函数什么贝叶斯公式都是在概率论里面，但是高数又是基础，e。

我有预感，这名为线性模型的第3章一定能让我看到爽。比起第1章的轻松，第2章紧迫懵懂，第3章想必一定能给我带来踮起脚尖的新知识体验。

期间免不了翻看高等数学、概率论与数理统计、线性代数，也肯定爽到爆。

分割线

20191012

我就知道，这几把玩意机器学习就是数学的高级应用，艹艹艹艹艹艹艹艹艹。

怎么说呢，也不是也没特别难，就是麻烦，就是喜欢搞复杂，搞我的时间，我就忽略性地看，大致数学方法都明白，毕竟高数线代是学过的。

什么均方误差、argin、什么最小二乘法、什么满秩矩阵、什么对数几率函数、什么igi函数、什么极大似然法，倒不是看不懂，但是真滴要仔细认真看才能看懂，看的超慢的。

我想跳着看了。但是这些数学原理方法是机器学习的基础，日。

我决定去看一下单片机冷静一下。

……

hurslaer

……狗狗guguxs