datawhalechina / pumpkin-book Goto Github PK
View Code? Open in Web Editor NEW《机器学习》(西瓜书)公式详解
License: Other
《机器学习》(西瓜书)公式详解
License: Other
西瓜书每章都有习题,也可以尝试提供参考的solution,建议~~~
在这里,你可以:
1.评论留下西瓜书第11章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第11章里相关内容的疑问,我们看到后会尽快进行答疑。
在这里,你可以:
1.评论留下西瓜书第4章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第4章里相关内容的疑问,我们看到后会尽快进行答疑。
Hello Sir. I'm a Graphics Designer. I'm happy to see an open source project, So, I want provide a logo for you. Would you mind if I propose a new logo design for your project as my Open Source Contribution?
Thanks for the attention.
在这里,你可以:
1.评论留下西瓜书第5章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第5章里相关内容的疑问,我们看到后会尽快进行答疑。
在这里,你可以:
1.评论留下西瓜书第7章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第7章里相关内容的疑问,我们看到后会尽快进行答疑。
Git项目名称为什么是南瓜书而不是watermelon-book?
在这里,你可以:
1.评论留下西瓜书第6章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第6章里相关内容的疑问,我们看到后会尽快进行答疑。
感觉13.4公式里面的第一项里的 . 乘号前面的内容应该是公式13.3的内容吧,但是为什么把13.3的分子ai.p(x|ui,Mi) 给去掉了并且只剩下分母的倒数了。
您好,公式12.18中 推导的第二步,由12.17推导出来的好像应该是>= 1−2e ,应该是>=,写成了<=
希望这本经典也能拥有一本“南瓜书”
想知道公式2.26求偏导的过程。
所有地方都叫西瓜书,为什么这里要叫南瓜书??
您好,南瓜书公式7.23和西瓜书不一样,证明公式也缺少j,好像有点问题。谢谢
在这里,你可以:
1.评论留下西瓜书第8章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第8章里相关内容的疑问,我们看到后会尽快进行答疑。
请评论留下西瓜书需要补充推导细节或者需要解析的公式编号,我们看到后会尽快进行补充。
在这里,你可以:
1.评论留下西瓜书第9章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第9章里相关内容的疑问,我们看到后会尽快进行答疑。
在这里,你可以:
1.评论留下西瓜书第13章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第13章里相关内容的疑问,我们看到后会尽快进行答疑。
在这里,你可以:
1.评论留下西瓜书第1章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第1章里相关内容的疑问,我们看到后会尽快进行答疑。
PDF版南瓜书第70页,公式11.10的推导中:”注意这里可能存在一个笔误,在wiki百科的定义中,式11.7应该写成“
这里的式11.7应该是式11.9
在这里,你可以:
1.评论留下西瓜书第2章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第2章里相关内容的疑问,我们看到后会尽快进行答疑。
为何(6.21)里面没有b 呢???
在这里,你可以:
1.评论留下西瓜书第3章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第3章里相关内容的疑问,我们看到后会尽快进行答疑。
8.6公式的倒数第二步变到最后一步实在不理解啊,求和符合怎么没了?希望倒数第二步到最后一步给一个详细的推导!
公式(12.36)
y_i=1, h(x_i)=1, 则Ⅱ(y_i≠h(x_i))=1
这里Ⅱ(y_i≠h(x_i))是不是应该等于0啊...
我这个菜鸡不会在github里用latex公式,见笑了=_=
我想问一下,公式内部的P(x)怎么理解呢?误差不应该是f(x)-h(x)吗?
你好,
公式1.1,训练集外误差怎么理解呢?那个公式是怎么来的,有这样的一个现成的公式吗,还是作者自己给出的?尤其是那两个求和符号如何理解呢
谢谢
Originally posted by @SkyGra in #60 (comment)
在这里,你可以:
1.评论留下西瓜书第14章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第14章里相关内容的疑问,我们看到后会尽快进行答疑。
你好,请问(10-11)这个结果是怎么得到的呢
在这里,你可以:
1.评论留下西瓜书第12章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第12章里相关内容的疑问,我们看到后会尽快进行答疑。
在这里,你可以:
1.评论留下西瓜书第16章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第16章里相关内容的疑问,我们看到后会尽快进行答疑。
答案是 XX'/ YY' 应该是向量内积 X'X / Y'Y
这部分感觉有些跳步,理解上有点困难(6.64-6.69)
In the README file, “不太友好”
should be replaced by ‘不太友好’
, because when quotation marks are in quotation marks, they should be altered. In Simplified Chinese, we start with double quotation marks, so the next set of quotation marks is single. Here is an example:
"zzz 'zzzz zz' zz 'zzzz "zz" z'"
如题,希望与西瓜书符号体系保持一致,是否考虑将各章推导过程中的$sgn$统一为$sign$?
第二章2.21中不应该有蓝线m3吧,按照书上的的定义,按顺序逐个把样本作为正例并计算出两个重要值……
如果出现斜线意思也不应该写的那个意思吧,而应该是有一个即是正例又是反例的例子被判断为正例。显然没有这种情况。
我认为Lrank公式中正反例预测值相等时罚0.5分是因为认为预测值相同时,反例会排在正例前面的概率为0.5。
南瓜书pdf第2页
接下来我们需要把分类阈值从小到大依次设为每个样本的预测值,也就是依次 设为 0.77�0.62�0.58�0.47�0.33�0.23�0.15,然后每次计算真正例率和假正例率,再在相应的坐标上打一个点, 最后再将各个点用直线串连起来即可得到 ROC 曲线。
应该是从大到小吧?
在这里,你可以:
1.评论留下西瓜书第10章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第10章里相关内容的疑问,我们看到后会尽快进行答疑。
在这里,你可以:
1.评论留下西瓜书第15章你觉得需要补充推导细节或者解析的公式编号,我们看到后会尽快进行补充;
2.评论留下你对南瓜书第15章里相关内容的疑问,我们看到后会尽快进行答疑。
请在这里写上你具体哪一个章节哪一个公式不理解,如果能写清哪里不理解那就最好啦~
7.27 ,第二个步骤,为什么直接得出 P(X)P(Y),而不是 P(X,Y)
A declarative, efficient, and flexible JavaScript library for building user interfaces.
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
An Open Source Machine Learning Framework for Everyone
The Web framework for perfectionists with deadlines.
A PHP framework for web artisans
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
Some thing interesting about web. New door for the world.
A server is a program made to process requests and deliver data to clients.
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
Some thing interesting about visualization, use data art
Some thing interesting about game, make everyone happy.
We are working to build community through open source technology. NB: members must have two-factor auth.
Open source projects and samples from Microsoft.
Google ❤️ Open Source for everyone.
Alibaba Open Source for everyone
Data-Driven Documents codes.
China tencent open source team.