Machine Learning 简明教程

大多数机器学习算法在很大程度上基于数学。你需要了解的数学水平可能只是初学者水平。重要的是你应该能够阅读数学家在方程式中使用的符号。例如 - 如果你能够阅读符号并理解其含义，那么你就可以学习机器学习了。如果没有，你可能需要复习一下你的数学知识。

f_{AN}(net-\theta)=\begin{cases}\gamma & if\:net-\theta \geq \epsilon\\net-\theta & if - \epsilon< net-\theta <\epsilon\\ -\gamma & if\:net-\theta\leq- \epsilon\end{cases}

\displaystyle\\\max\limits_{\alpha}\begin{bmatrix}\displaystyle\sum\limits_{i=1}^m \alpha-\frac{1}{2}\displaystyle\sum\limits_{i,j=1}^m label^\left(\begin{array}{c}i\\ \end{array}\right)\cdot\:label^\left(\begin{array}{c}j\\ \end{array}\right)\cdot\:a_{i}\cdot\:a_{j}\langle x^\left(\begin{array}{c}i\\ \end{array}\right),x^\left(\begin{array}{c}j\\ \end{array}\right)\rangle \end{bmatrix}

f_{AN}(net-\theta)=\left(\frac{e ^{{\lambda(net-\theta)}-e} {-\lambda(net-\theta)}}{e ^{{\lambda(net-\theta)}+e} {-\lambda(net-\theta)}}\right)\;

这是一个测试你当前概率论知识的例子：使用条件概率进行分类。

p(c_{i}|x,y)\;=\frac{p(x,y|c_{i})\;p(c_{i})\;}{p(x,y)\;}

使用这些定义，我们可以定义贝叶斯分类规则—

这是一个优化函数

\displaystyle\\\max\limits_{\alpha}\begin{bmatrix}\displaystyle\sum\limits_{i=1}^m \alpha-\frac{1}{2}\displaystyle\sum\limits_{i,j=1}^m label^\left(\begin{array}{c}i\\ \end{array}\right)\cdot\:label^\left(\begin{array}{c}j\\ \end{array}\right)\cdot\:a_{i}\cdot\:a_{j}\langle x^\left(\begin{array}{c}i\\ \end{array}\right),x^\left(\begin{array}{c}j\\ \end{array}\right)\rangle \end{bmatrix}

受以下约束的限制—

\alpha\geq0，并且\:\displaystyle\sum\limits_{i-1}^m \alpha_{i}\cdot\:label^\left(\begin{array}{c}i\\ \end{array}\right)=0

如果你能够理解以上内容，那么你已经准备好了。