本章基本概念

• 错误率(error rate): 在m个样本中假设有a个样本分类错误，则错误率$E = a/m$,相应地，$1-a/m$称为精度(accuracy)
• 实际预测输出与样本真实输出的误差称为“误差”(error),在训练集上的误差称为训练(training)误差\经验(empirical)误差，在新样本上的误差称为泛化误差
• 过拟合overfitting：泛化能力很差；欠拟合(underfitting):对训练样本的一般性质尚未学习好。

Basic conception

• 特征向量(feature vector): 每一个分量对应一种属性(attribute)/特征(feature)的值，构成的空间为属性空间

• 一般地，令$D = \{x_1,x_2,…x_m\}$表示包含m个示例的数据集，每个示例由d个属性描述，则每个示例$x_i = (x_{i1};x_{i2};…;x_{id})$是d维样本空间$\chi$中的一个向量，$x_i\in \chi$,d为样本$x_i$的维数

• 训练样本的结果称为标记(label)；拥有了标记信息的示例，称为样例(example),一般用$(x_i,y_i)$表示

• 学习任务大致可分为两类：监督学习(supervised learning)和无监督学习(unsupervised learning)，分类(classification)和回归(regression)是前者的代表，而聚类则是后者的代表。

• 泛化(generalization)能力:所学的模型适用于新样本的能力；

• 通常假设样本空间全体样本服从一个未知的分布(distribution),获得的每个样本都是独立同分布的(independent and identically distributed),i.i.d

• 归纳(induction):从特殊到一般的泛化过程；演绎(deduction):从一般到特化.

• 演绎空间：样本x每一个属性的可能取值所构成的空间，其中有可能是*,代表此属性取什么都行，也有可能整个空间为空集。

  版本空间(version space):如果假设空间中有多个与训练集一致的假设，即存在一个与训练集一致的“假设集合”

• 归纳偏好(inductive bias):算法在学习过程中对某种类型假设的偏好

  “奥卡姆剃刀”原则：若有多个假设与观察一致，则选择最简单的那个。

• No Free Lunch Theorem: 所有算法的期望性能是相同的，前提是所有“问题”出现的机会相同、或者所有问题同等重要，但是实际情况不是这样

以下为转载内容

100 numpy exercises

Basic Concepts and Terminologies

Layered Design

简介

    《看见》是柴静讲述央视十年历程的自传性作品，既是柴静个人的成长告白书，在某种程度上亦可视作中国社会十年变迁的备忘录

Benefits and Issues of Cloud

Benefits

密码学的基本原理

Java基本知识点

Todo for myself

• Install node.js

• Install hexo

  1	npm install -g hexo

• Download latest version in my Gituhb

  1	git clone https://github.com/yantijin/yantijin.github.io.git

• Download latest themes configuration in another foler

  1	git clone https://github.com/yantijin/Theme_Next.git

  Then copy the theme into github.yantijin.io/themes

• Install dependencies for your blog

  1	npm install

• Something needs to modifiy

  • About MATHJAX

    1 2	npm uninstall hexo-readerer-marked --save npm install hexo-renderer-kramed --save

    Next step is to modify the files in node_modules/kramed/lib/rules/inlime.js.

    Change line 10 and line 20:

    1 2 3 4

    // escape: /^\\([\\`*{}\[\]()#$+\-.!_>])/, escape: /^\\([`*\[\]()#$+\-.!_>])/, // em: /^\b_((?:__|[\s\S])+?)_\b|^\*((?:\*\*|[\s\S])+?)\*(?!\*)/, em: /^\*((?:\*\*|[\s\S])+?)\*(?!\*)/,

    ​

• REF for Detail

Main Thoughts

• First analyses the workflow log transition probabilities between activities to build the Markov transition matrix;
• Then mines the process logic relationship by defining a set of rules of logical relational
• At last design the process mining algorithm to establish the actual structure relationship between the activities in order to reconstruct the workflow.

This is a test on hexo plus github

Head 2