MLAPP读书笔记--3.1 and 3.2 Bayesian Concept Learning
Concept learning: 学习一个概念（如学习一个词的含义），等价于一个二分类问题，这里注意通常的二分类问题都是要有正负样本，而在Bayesian Concept Learning中只需要有正样本就可以了，如教小孩子认识狗，只需要告诉他什么是狗，而不需要说什么不是狗。 例子(Number Game):给一个数学概念C（如“素数”或“0到100之间的数”）和这个概念下的正样本D，然后拿一个
相关文章
- 1. MLaPP 读书笔记-概述
- 2. 3.1节(Introducing the concept of direct content)读书笔记
- 3. cousera“Neural NetWorks and Deep learning"读书笔记
- 4. Bayesian Deep Learning 学习笔记
- 5. 《Machine Learning（Tom M. Mitchell）》读书笔记——七、第六章
- 6. Reinforcement Learning Note: Concept and MDP
- 7. 论文阅读笔记《Deep Meta-Learning: Learning to Learn in the Concept Space》
- 8. Learning TypeScript读书笔记1
- 9. machine-learning-yearning——读书笔记
- 10. GNN新作《Relational inductive biases，deep learning，and graph networks》读书笔记
- 更多相关文章...
- • Eclipse 添加书签 - Eclipse 教程
- • ASP.NET Razor - 标记 - ASP.NET 教程
- • Tomcat学习笔记（史上最全tomcat学习笔记）
- • JDK13 GA发布：5大特性解读
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. MLaPP 读书笔记-概述
- 2. 3.1节(Introducing the concept of direct content)读书笔记
- 3. cousera“Neural NetWorks and Deep learning"读书笔记
- 4. Bayesian Deep Learning 学习笔记
- 5. 《Machine Learning（Tom M. Mitchell）》读书笔记——七、第六章
- 6. Reinforcement Learning Note: Concept and MDP
- 7. 论文阅读笔记《Deep Meta-Learning: Learning to Learn in the Concept Space》
- 8. Learning TypeScript读书笔记1
- 9. machine-learning-yearning——读书笔记
- 10. GNN新作《Relational inductive biases，deep learning，and graph networks》读书笔记