In these notes, we will talk about

In these notes, we will talk about a different flavor of learning algorithms, known as
Bayesian methods. Unlike classical learning algorithm, Bayesian algorithms do not attempt
to identify “best-fit” models of the data (or similarly, make “best guess” predictions
for new test inputs). Instead, they compute a posterior distribution over models (or similarly,
compute posterior predictive distributions for new test inputs). These distributions provide
a useful way to quantify our uncertainty in model estimates, and to exploit our knowledge
of this uncertainty in order to make more robust predictions on new test points

ผลลัพธ์ (ไทย) 1:

ในบันทึกย่อเหล่านี้ เราจะพูดถึงรสชาติที่แตกต่างของอัลกอริทึมการเรียนรู้ ชื่อเสียงทฤษฎีวิธีการ ซึ่งแตกต่างจากอัลกอริทึมเรียนคลาสสิก ทฤษฎีอัลกอริทึมไม่พยายามระบุ "ดีพอดี" รูปแบบของข้อมูล (หรือในทำนองเดียวกัน ทำให้คาดคะเน "ส่วนเดา"ตัวทดสอบอินพุต) แทน พวกเขาคำนวณการกระจายหลังมากกว่ารูปแบบ (หรือในทำนองเดียว กันคำนวณการกระจายการคาดการณ์หลังสำหรับอินพุตทดสอบใหม่) การกระจายเหล่านี้ให้วิธีมีประโยชน์ เพื่อกำหนดปริมาณของความไม่แน่นอนในการประเมินแบบจำลอง และใช้ความรู้ของเราความไม่แน่นอนนี้เพื่อทำให้แข็งแกร่งกว่าคาดคะเนคะแนนทดสอบใหม่

ผลลัพธ์ (ไทย) 2:

ในบันทึกเหล่านี้เราจะพูดคุยเกี่ยวกับรสชาติที่แตกต่างกันของขั้นตอนวิธีการเรียนรู้ที่เรียกว่าวิธีการแบบเบย์
ซึ่งแตกต่างจากการเรียนรู้ขั้นตอนวิธีคลาสสิกอัลกอริทึมแบบเบย์อย่าพยายามที่จะระบุ "ที่ดีที่สุดพอดี" รูปแบบของข้อมูล (หรือในทำนองเดียวกันให้ "เดาที่ดีที่สุด" การคาดการณ์สำหรับปัจจัยการผลิตการทดสอบใหม่) แต่พวกเขาคำนวณการกระจายกว่ารุ่นหลัง (หรือในทำนองเดียวกันการคำนวณการกระจายการทำนายหลังสำหรับปัจจัยการผลิตการทดสอบใหม่) การกระจายเหล่านี้ให้เป็นวิธีที่มีประโยชน์ในการวัดปริมาณความไม่แน่นอนของเราในการประมาณการรูปแบบและการใช้ประโยชน์จากความรู้ของเราของความไม่แน่นอนนี้เพื่อที่จะทำให้การคาดการณ์ที่แข็งแกร่งมากขึ้นในจุดทดสอบใหม่

ผลลัพธ์ (ไทย) 3:

ในบันทึกนี้ เราจะพูดคุยเกี่ยวกับรสชาติที่แตกต่างกันของอัลกอริทึมการเรียนรู้ที่เรียกว่า
วิธีเบส์ . ซึ่งแตกต่างจากคลาสสิกการเรียนรู้ขั้นตอนวิธี ขั้นตอนวิธีแบบไม่พยายาม
ระบุ " พอดี " รูปแบบของข้อมูล ( หรือในทำนองเดียวกัน ให้ " เดา " การคาดการณ์
สำหรับกระผมทดสอบใหม่ ) แทน พวกเขาคำนวณการแจกแจงด้านหลังมากกว่ารุ่น ( หรือในทำนองเดียวกัน
คำนวณและทำนายการเข้า - ใหม่ทดสอบ ) การแจกแจงเหล่านี้ให้
วิธีที่มีประโยชน์ที่มีความไม่แน่นอนของเราในแบบประเมิน และใช้ประโยชน์จากความรู้ของเรา
ของความไม่แน่นอนนี้เพื่อที่จะทำให้การคาดการณ์ที่แข็งแกร่งมากขึ้นในจุดทดสอบใหม่