不确定性涉及在信息不全的情况下做出决策，而这通常是我们处理世界的方式。处理不确定性通常用日常词语来描述，如机会、运气和风险。概率是一门数学领域，它为我们提供了量化事件不确定性和进行原则性推理的语言和工具 [...]
机器学习中的不确定性入门指南
应用机器学习需要管理不确定性。机器学习项目中的不确定性来源有很多，包括特定数据值的方差、从领域收集的数据样本的方差，以及从这些数据开发的任何模型的缺陷性质。管理机器学习预测中固有的不确定性 [...]
学习机器学习概率的 5 个理由
概率是一门量化不确定性的数学领域。它无疑是机器学习领域的基石，许多人建议将其作为入门学习的先修科目。这是一种误导性的建议，因为概率对于从业者来说，在他们获得应用机器学习的背景后会更有意义 [...]
机器学习概率入门资源
机器学习是一门计算机科学领域，它关注开发能够从数据中学习的系统。像统计学和线性代数一样，概率是支持机器学习的另一个基础领域。概率是一门量化不确定性的数学领域。机器学习的许多方面都存在不确定性，其中最关键的是问题中的观测值 [...]
如何使用概率开发和评估朴素分类器策略
朴素分类器是一种简单的分类模型，它对问题几乎没有假设，其性能可以作为所有其他在数据集上评估的模型进行比较的基准。朴素分类器有不同的策略，其中一些比其他策略更好，这取决于 [...]
简述 Jensen 不等式
在统计学和机器学习中，对变量进行线性变换或映射是很常见的。例如，对特征变量进行线性缩放。我们直观地认为，缩放值的平均值与原始变量值的平均值的缩放值相同。这使得 [...]
生成对抗网络损失函数简介
生成对抗网络，简称 GAN，是一种用于训练生成模型进行图像合成的深度学习架构。GAN 架构相对简单，尽管对初学者来说仍然具有挑战性的是 GAN 损失函数这一主题。主要原因是该架构涉及同时训练两个 [...]
如何实现Frechet Inception Distance（FID）评估GAN
Frechet Inception Distance 分数，简称 FID，是一种计算真实图像和生成图像特征向量之间距离的指标。该分数总结了使用用于图像的 Inception v3 模型计算的原始图像的计算机视觉特征统计数据，这两组图像有多相似 [...]
如何实现Inception Score（IS）评估GAN
生成对抗网络，简称 GAN，是一种用于训练生成模型生成合成图像的深度学习神经网络架构。生成模型的一个问题是，没有客观的方法来评估生成图像的质量。因此，在 [...] 期间定期生成和保存图像是很常见的。
如何评估生成对抗网络
生成对抗网络，简称 GAN，是开发生成模型的一种有效的深度学习方法。与通过损失函数训练直至收敛的其他深度学习神经网络模型不同，GAN 生成器模型是使用一个称为判别器的第二个模型进行训练的，该模型学会将图像分类为真实或生成的。 [...]