技术交流2、时间序列预测分类3、时间序列数据的特性4、时序预测评价指标5、基于深度学习的时间序列预测方法5.1统计学习方法5.2机器学习方法5.3卷积神经网络5.4循环神经网络5.5Transformer

定义：逻辑回归是一种用于解决分类问题的统计学习方法。它通过对数据进行建模，预测一个事件发生的概率。逻辑回归通常用于二元分类问题，即将数据分为两个类别。

前言最近看了李航老师的《统计学习方法》，还正在学习吴恩达老师的《机器学习》的课程（网易公开课上有，较老的版本）。自从看过《统计学习方法》之后，发现笔记不看其实学习效果并不好。

不一会儿，李航宇也来了，我们就一起看电影，等我们最后一个好朋友。我们看的电影名称叫《公牛历险记》这个里面讲的是有许多公牛在斗牛场上面斗牛，最后有一头身体壮实的斗牛被选中了，但是他并没有被杀死，因为观

一天时间很快过去了，穆紫峰需要晚点儿撤，因为还得去李航办公室拿酒呢。张毅走的时候交代了门锁上就行，工卡也是门口，直接刷就行，再次刷新了穆紫峰的认知，这真是

讲解对象：机器学习是什么作者：融水公子rsgz对象：机器学习是什么英文名：machinelearning又称：预测分析（predictiveanalytics）或统计学习（statisticallearning

更多文章可以访问我的博客Aengus|Blog逻辑斯谛回归（LogisticRegression）模型是经典的分类方法，而最大熵则是概率模型中学习的一个准则，将其推广到分类问题得到最大熵模型（maximumentropymodel）。两者都属于对数线性模型。逻辑斯谛模型逻辑斯谛分布设是连续随机变量，服从逻辑斯谛分布是指具有以下分布函数和密度函数：其中，是位置参数，为形状参数。逻辑斯谛分布的密度函数

AdaBoost（AdaptiveBoosting）提升（boosting）方法是一种常用的统计学习方法，应用广泛且有效。

提升树被认为是统计学习中性能最好的方法之一。提升方法实际采用加法模型(即基函数的线性组合)与前向分步算法。以决策树为基函数的提升方法称为提升树（boostingtree）。

文章目录前言供应链预测算法的基本流程统计学习模型与机器学习在供应链预测中的角色深度学习模型在智能供应链中的应用算法融合与应用场景实现后记前言随着数字化时代的到来，人工智能已经逐渐成为企业信息化建设的重要手段

本文来自我的个人博客https://www.zhangshenghai.com/posts/48429/Logistic回归是统计学习中的经典方法，属于对数线性模型。

什么是机器学习逻辑回归（LogisticRegression）虽然名字中包含"回归"一词，但实际上是一种用于解决分类问题的统计学习方法，而不是回归问题。

文章目录1.基础篇：了解机器学习1.1什么是机器学习1.2机器学习的场景1.2.1模式识别1.2.2数据挖掘1.2.3统计学习1.2.4自然语言处理1.2.5计算机视觉1.2.6语音识别1.3机器学习与深度学习

逻辑回归逻辑回归（LogisticRegression）是一种用于解决二分类问题的统计学习方法，尽管名字中带有"回归"一词，但实际上它是一种分类算法。

最近更新：2018-12-231.集中趋势2.变异性3.归一化4.正态分布5.抽样分布6.估计对于这部分的内容还是比较熟悉的,都是复习比较多,更加注重于练习与理解.1.集中趋势1.1众数出现频率最高的数.备注:通过计数得到;不易受数据中极端数值的影响1.2中位数把样本值排序，分布在最中间的值；样本总数为奇数时，中位数为第(n+1)/2个值；样本总数为偶数时，中位数是第n/2个，第(n/2)+1个值

因为基于学情的教学决策：信息技术会快速，准确的帮助我们收集，统计学习数据。从而使我们做出合适的教学决策，推进课堂教学。

9.2证明引理9.2.引理9.2若P~θ(Z)=P(Z∣Y,θ)\widetildeP_\theta(Z)=P(Z|Y,\theta)Pθ(Z)=P(Z∣Y,θ)，则F(P~,θ)=logP(Y∣θ)F(\widetildeP,\theta)=logP(Y|\theta)F(P,θ)=logP(Y∣θ).证明：F(P~,θ)=EP~[logP(Y,Z∣θ)]+H(P~)=EP~[logP(Y,Z∣

以前，我们倾向于把人工智能看做新事物，尤其是新技术以及和深度学习相关的新技巧。然而，人工智能已经过数十年的发展，否认过往的成功似乎不合逻辑，因为技术总是不断向前发展。《人工智能的三次浪潮（ThreeWavesofAI）》，作者是DARPA信息创新办公室主管JohnLaunchbury，他从一个更长远和宽广的视角，将人工智能的历史与未来划分为了三个阶段：人工智能第一阶段：手工知识第一个阶段的典型代表

逻辑斯谛回归(对数几率回归)是统计学习中的经典分类方法，已经成为流行病学和医学中常见的分析方法。它主要有下面三个用途:(1)寻找危险因素,例如寻找某一疾病的危险因素。(2)预测。

1定义监督学习方法分为生成方法（generativeapproach）和判别方法（discriminativeapproach），所学到的模型分别为生成模型和判别模型。生成方法由数据学习联合概率分布，然后求出条件概率分布作为预测模型，即生成模型：这样的方法之所以被称为生成方法，是因为模型表示了给定输入产生输出的生成关系。典型的生成模型有：朴素贝叶斯和隐马尔科夫模型。判别方法由数据直接学习决策函数或

1.1统计学习统计学习包括监督学习、非监督学习、半监督学习及强化学习。

简介感知机（perceptron）是二分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，取+1和-1二值。感知机对应于输入空间（特征空间）中将实例划分为正负两类的分离超平面，属于判别模型，解决的问题是分类问题。目标/目的：求出将训练数据进行线性划分的分类超平面，为此导入误分类的损失函数，利用梯度下降法对损失函数进行最小化，求的感知机模型。感知机学习算法具有简单而易于实现的优点，分为原始

前言EM算法是一种迭代算法，1977年由Dempster等人总结提出，用于含有隐变量（hiddenvariable）的概率模型参数的极大似然估计，或极大后验概率估计。EM算法的每次迭代由两步组成：E步，求期望（expection）；M步，求极大值（maximization），所以这一算法称为期望极大算法（exceptionmaximizationalgorithm），简称EM算法。极大似然估计极大

今天对学习强国进行再研究，再商量，决定采用分包办法，负责统计学习情况。了解学习动态，慢慢让所有人学习变成习惯，在学习中提高自己，丰富自己的知识结构深度和宽度。

转自个人微信公粽号【易学统计】的统计学习笔记：R语言：多水平统计模型01解决何种问题同样是九年义务教育，凭什么别人那么优秀？显然这跟每个人，不同班级，不同学校有关系，究竟是什么样的关系呢？

1工作：中秋节之前的阶段性工作2学习：《统计学习方法》chapter5～6。复习了之前的几章内容，顺便看了看课后习题，自己做了一部分，然后在网上找了找习题答案核对了一下。

前言：《统计学习方法》讲支持向量机——核技巧的时候，开始的实例有点误导人。我在翻阅了国外的文章后，有了一个大概的了解。

基于机器学习的恶意请求识别及安全领域中的机器学习转载】：https://cloud.tencent.com/developer/article/1620383一、机器学习与其它领域的联系模式识别≈机器学习+工业应用数据挖掘≈机器学习+数据库统计学习

支持向量机是基于统计学习框架与由Chervonenkis（1974）和Vapnik（1982，1995）提出Vapnik–Chervonenkis理论上的最强大的预测方法之一

目录一、机器学习的定义二、机器学习的发展历程2.1萌芽期（20世纪50年代-60年代）2.2符号主义时期（20世纪60年代-80年代）2.3统计学习时期（20世纪90年代-21世纪初）2.4深度学习时期

一、提升方法AdaBootst算法1、提升方法的基本思路1984年，Kearns和Valiant提出：强可学习和弱可学习在概率近似正确（PAC）学习的框架中个，一个概念（类），如果存在一个多项式的学习算法能够学习它，并且正确率很高，称这个概念是强可学习的一个概念（类），如果存在一个多项式的学习算法能够学习它，学习的正确率仅比随机猜测略好，则称这个概念是弱可学习的。1989，Schapire证明：在

数据处理二、建模三、confusion_matrix四、ROC（ReceiverOperatingCharacteristic）介绍：LogisticRegression（逻辑回归）是一种用于解决分类问题的统计学习方法

参考了统计学习方法，西瓜书，MachineLearnigwithpython做的总结，所以不能作为教程，还包含自己用sklearn做的一些对比实验，原文是写在jupyter上的，这里是直接转为.md导过来的

前几天用MATLAB实现了HMM的代码，这次用python写了一遍，依据仍然是李航博士的《统计学习方法》由于第一次用python，所以代码可能会有许多缺陷，但是所有代码都用书中的例题进行了测试，结果正确

Java开发环境掌握Java基本语法掌握条件语句掌握循环语句学习时间：提示：这里可以添加计划学习的时间例如：周一至周五晚上7点—晚上9点周六上午9点-上午11点周日下午3点-下午6点学习产出：提示：这里统计学习计划的总量例如

朴素贝叶斯法简介：英文名naiveBayes，是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入输出的联合概率分布；然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。

29日计划：---反馈统计学习方法6.3进一步学习，以及备课【3个小时】--未进行leetcode题目一道【1个小时】---完成一题CRF复习【2个小时】---未进行相似度实现【2个小时】---完成了编辑距离

点估计：目的：总体分布已知情况下，借助样本来估计总体的未知参数方法：矩估计法：样本一阶矩为总体的一阶矩(即期望)，样本二阶中心矩为总体的二阶中心矩(即方差)最大似然估计法：利用已知样本结果信息，反推最有可能得到样本结果出现的模型参数值估计量的评选标准：无偏性，有效性，相合性区间估计：估计出参数范围，同时给出此区间包含真实值的可信程度置信区间：反复多次抽样，样本值确定的统计量区间置信水平：1-a指置

努力是为了不平庸~学习的最大理由是想摆脱平庸，早一天就多一份人生的精彩；迟一天就多一天平庸的困扰线性回归是一种统计学习方法，用于建立一个线性模型来预测因变量与自变量之间的关系。

1.样本点、样本空间、随机事件、事件域、概率样本点（）：试验的每个可能结果。样本空间（）：本质是一个集合，全部样本点构成的集合。随机事件（）：本质是一个集合，样本点的某个集合或样本空间的某个子集；也可以理解为本质是一个元素，事件域（F）中的一个元素。事件域（F）：本质是一个集合，是由事件构成的域，也就是样本空间的一些子集构成的集合（加上一些限制）。概率（P）：本质是一个集合函数，我们将定义在F上的

高级统计学习“自助法”js框架名内核启动命令C库名java类加载器中的启动类加载器（BootstrapClassLoader）

业务，可借此机会做AI项目，搞好绩效目标：1.短期，下周四有CNN分享，提前掌握并能及时吸收提问，展现所学2.长期，养成机器学习习惯，争取年底前精通TODO：一个月内1.系统的看完一本书，如深度学习或李航统计学习方法

SVM建立在统计学习理论的VC维理论和结构风险最小原理基础上，根据有限的样本信息在模

机器学习基本概念统计学习概述统计学习的方法是基于数据构建统计模型，即已知数据，反推生成数据的模型，从而对数据进行预测与分析。根据训练数据是否有标记信息将学习任务分为：监督学习和无监督学习。

概率与数理统计学了好几遍都学不清楚，今天再刷一遍，整理出第一篇学习笔记。随机变量：随机事件的数量表现，两种类型，离散型随机变量和连续型随机变量离散型随机变量：变量取值有限个分布律：每个取值的概率0-1分布：取值只有0和1伯努利试验，二项分布：伯努利试验是试验结果只有正反两种结果的试验；二项分布是n重伯努利试验；二项分布当n=1结果就是0-1分布泊松分布：近似二项分布概率的计算方式，当n>20,p=

君子坐而论道，少年起而行之文章目录什么是语言模型Word2Vec介绍介绍CBOW模型介绍训练过程图解训练过程代码实现Skip-Gram模型介绍训练过程图解训练过程代码什么是语言模型语言模型的工作原理基于统计学习和概率论

333.999.0.0&vd_source=9607a6d9d829b667f8f0ccaaaa142fcb1.吴恩达机器学习课程已学完，时间较久了，后续可以重新听一遍，整理一下笔记2.白板推导读西瓜书统计学习方法看完了

支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错

假设检验的目的：判断样本与样本，样本与总体的差异是由抽样误差造成还是本质差别造成；或是为了判断推断总体特征作出的假设是否应该接受名词解释显著性水平：原假设为真却被拒绝的概率（简称弃真概率）提出相互对立的两个假设。原假设H0通常是要被反驳的假设，备择假设H1是认为相对正确的假设检验统计量：统计量差值做过标准化之后的值（下文用差异标准值代替）拒绝域：检验结果落入此区域会被拒绝假设检验的验证方式有2种：

统计学习：包括“支持向量机”和“核方法”。