Category: AI & Machine Learning

Hôm nay: Bài đọc: (xem trang web của lớp) Bắt buộc: Tùy chọn Thông báo Gaussian Naïve Bayes – bức tranh lớn Ví dụ: Y= PlayBasketball (boolean), X1=Height, X2=MLgrade giả sử P(Y=1) = 0,5 Hồi quy logistic Ý tưởng Rút ra dạng P(Y|X) cho Gaussian P(Xi|Y=yk) giả sử σik = σi Rất thuận tiện! ngụ ý […]

Hôm nay: Bài đọc: Bắt buộc: Tùy chọn Gần đây: Tiếp theo: Sơ lược về Naïve Bayes Quy tắc Bayes: Giả định sự độc lập có điều kiện giữa Xi‘s: Vì vậy, quy tắc phân loại cho Xnew = < X1, …, Xn > là: Ví dụ: Sống ở Sq Hill? P(S|G,D,B) Tom: D=1, G=0, B=0 […]

Hôm nay: Readings: Mitchell: “Naïve Bayes and Logistic Regression” (có sẵn trên trang web của lớp) Hai nguyên tắc ước lượng tham số Maximum Likelihood Estimate (MLE): chọn θ để tối đa hóa xác suất của dữ liệu được quan sát D Ước tính tối đa của Posteriori (MAP): chọn θ có khả năng xảy ra nhất với xác suất trước và […]

Hôm nay: Bài đọc: Xem lại xác suất một số slide này được lấy từ William Cohen, Andrew Moore, Aarti Singh, Eric Xing, Carlos Guestrin. – Cảm ơn! Thông báo Quy tắc Bayes Quy tắc Bayes P(A|B) = P(B|A) * P(A)⁄P(B) chúng ta gọi P(A) là “tiên nghiệm” và P(A|B) là “hậu nghiệm” Bayes, Thomas (1763) Một bài luận hướng tới việc giải […]

Hôm nay: Bài đọc: Decision trees, overfiting Xem lại xác suất Xấp xỉ hàm: Đặt vấn đề: Đầu vào: Đầu ra: Xấp xỉ hàm: Học cây quyết định Đặt vấn đề: Đầu vào: Đầu ra: Xấp xỉ hàm là Tìm kiếm giả thuyết tốt nhất Xấp xỉ hàm: Bức tranh toàn cảnh Chúng ta nên […]

Hôm nay: Đọc: Học máy: Nghiên cứu các thuật toán được xác định rõ nhiệm vụ học tập: <P,T,E> Học cách dự đoán các mổ đẻ khẩn cấp 9714 hồ sơ bệnh nhân, mỗi hồ sơ có 215 tính năng [Sims et al., 2000] Học cách phân loại tài liệu văn bản spam so với không spam Học […]