發(fā)簡(jiǎn)信
IP屬地：山東
-
第七章 Nonuniform Learnability
占個(gè)位置以后更新
-
第六章 The VC-Dimension上一章介紹了講了EMR的誤差主要分為兩種，一種是approximation error，另一種是estimation error。其中appro...
-
第五章 The Bias-Complexity Tradeoff在第二章中介紹了一種情況，訓(xùn)練數(shù)據(jù)可能會(huì)對(duì)模型造成誤導(dǎo)，從而導(dǎo)致過(guò)擬合。為了克服這個(gè)問(wèn)題，把搜索空間限制在了某個(gè)假設(shè)集當(dāng)中。這個(gè)限制反映了一些先...
-
第二章 Misleading of the Training Set
在模型學(xué)習(xí)學(xué)習(xí)中，采用參數(shù)去衡量該假設(shè)h loss的優(yōu)秀程度。 一般認(rèn)為時(shí)h為一個(gè)失敗假設(shè)，一個(gè)訓(xùn)練集中，假設(shè)一個(gè)分布上界，即有m個(gè)樣本將會(huì)導(dǎo)致...
-
第四章 Learning via Uniform Convergence
在第三章里我們學(xué)到了第一個(gè)形式化的學(xué)習(xí)模型PAC，接下來(lái)要介紹均勻收斂。通過(guò)這個(gè)工具，可以說(shuō)明任意的有限集上，都可以使形式化的學(xué)習(xí)器滿足agno...
-
第三章 PAC leaning 'Why machine can learning'
在第二章里我們學(xué)到了有限假設(shè)集 回顧： 當(dāng)H是有限集的時(shí)候，模型不會(huì)有過(guò)擬合的風(fēng)險(xiǎn)，并且如果ERM是在這個(gè)有限集中被提供了大量數(shù)據(jù)的話，可以認(rèn)為...