ЕО
То есть здесь 20 параметров? Сори, за тупые вопросы. Но самостоятельно так и не понял, сколько же здесь параметров...
Size: a a a
2020 December 20
IK
Егор Овчинников
То есть здесь 20 параметров? Сори, за тупые вопросы. Но самостоятельно так и не понял, сколько же здесь параметров...
(n+1)*H-первый переход между слоями,
(H+1)*M-второй переход между слоями
(H+1)*M-второй переход между слоями
IK
Стас Андреев
https://www.coursera.org/learn/supervised-learning/lecture/sMQ9F/mietod-maksimal-nogho-pravdopodobiia, привет всем. Объясните пожалуйста, зачем нужен метод максимального правдоподобия, из видео не очень понял
Метод максимального правдоподобия помогает выяснить из какого распределения сгенерированы данные (конечно, речь о том чтобы подобрать параметры распределения - не само семейство распределений)
IK
Например, если предположить что данные выборки взяты с распределения Пуассона, то подбирается найболее "удачное" lambda - такое, которое доставляет максимум функции правдоподобия
E
I
Стас Андреев
https://www.coursera.org/learn/supervised-learning/lecture/sMQ9F/mietod-maksimal-nogho-pravdopodobiia, привет всем. Объясните пожалуйста, зачем нужен метод максимального правдоподобия, из видео не очень понял
В контексте машинного обучения нужен:
1. Как уже написали, нужен для выбора модели и параметров модели, которые в контексте задачи называются гипотезой h, для наилучшего описания данных X. Метод используется для установления плотности вероятности данных для их дальнейшей кластеризации, например: max L(X; h)
2. Используется также в методе обучения с учителем ( supervised machine learning) где есть входные и выходные данные, где в этом случае воспринимается, как условная вероятность выходных данных y при входных X c учетом моделирования гипотезы h : max L(yjX; h)
3. Оба метода могут быть решены менее эффективно с использованием более общего оптимизационного алгоритма - стохастического градиентного спуска
4. Используется также для выбора лучшей модели из набора кандидатов после обучения: обычный подход заключается в оценке производительности модели с использованием метода повторной выборки, например, перекрестной проверки k-fold. Альтернативный подход - использование вероятностных статистических мер, которые служат как для количественной оценки производительности модели на учебных данных, так и сложности модели. Пример: критерии AIC, BIC или MDL. Плюс таких подходов, что им не нужен отложенный датасет для проверки, минус - они не учитывают случайность модели и данных и могут сделать выбор в пользу слишком простых моделей.
1. Как уже написали, нужен для выбора модели и параметров модели, которые в контексте задачи называются гипотезой h, для наилучшего описания данных X. Метод используется для установления плотности вероятности данных для их дальнейшей кластеризации, например: max L(X; h)
2. Используется также в методе обучения с учителем ( supervised machine learning) где есть входные и выходные данные, где в этом случае воспринимается, как условная вероятность выходных данных y при входных X c учетом моделирования гипотезы h : max L(yjX; h)
3. Оба метода могут быть решены менее эффективно с использованием более общего оптимизационного алгоритма - стохастического градиентного спуска
4. Используется также для выбора лучшей модели из набора кандидатов после обучения: обычный подход заключается в оценке производительности модели с использованием метода повторной выборки, например, перекрестной проверки k-fold. Альтернативный подход - использование вероятностных статистических мер, которые служат как для количественной оценки производительности модели на учебных данных, так и сложности модели. Пример: критерии AIC, BIC или MDL. Плюс таких подходов, что им не нужен отложенный датасет для проверки, минус - они не учитывают случайность модели и данных и могут сделать выбор в пользу слишком простых моделей.
i
Метод максимального правдоподобия помогает выяснить из какого распределения сгенерированы данные (конечно, речь о том чтобы подобрать параметры распределения - не само семейство распределений)
Нет
i
М. М. П позволяет получать оценки неизвестных параметров распределения. У этих оценок асимптотически хорошие свойства.
i
Сам метод это философия в некотором смысле. ведь вместо наиболее вероятной оценке, он дает нам оценку для которой наиболее вероятный данные которые мы получили. Но тем неменее он себя хорошо зарекомендовал.
i
Вот задача для ММП, вы достали из гиганского пакета конфет ММДМС 4 конфеты получилась выборка- красная, желтая,красная , синяя конфеты - сколько всего цветов конфет в пакете
O
Сам метод это философия в некотором смысле. ведь вместо наиболее вероятной оценке, он дает нам оценку для которой наиболее вероятный данные которые мы получили. Но тем неменее он себя хорошо зарекомендовал.
Не совсем философия
O
Ммп минимизирует расстояние между распределением и его параметрической моделью
O
В смысле Кульбака
O
Оно не просто так же появилось
O
Из общих слов
DP
ну как появилось странная тема
DP
факт, что философия действительно такая
RS
Привет, может кто-нибудь помочь с установкой power BI?
RS
Его вообще можно скачать не работая в компашке?
I
Привет, может кто-нибудь помочь с установкой power BI?
power bi desktop вроде бесплатен https://powerbi.microsoft.com/ru-ru/downloads/