1、課程主要內容
上節課中學習了vc維的相關只是，在hypothesis set的vc維有限，且輸入資料n夠大，並可以找到乙個足夠小的ein，那麼學習就是可能的。
但是在實際的情況中，資料**不都是理想的，必然存在著錯誤和雜訊，本次課程討論在錯誤和雜訊存在的情況下，機器為什麼還可以學習？
在雜訊和錯誤存在的請款下，vc bound如何進行放縮使得學習在理論上是可行。
2、雜訊存在下的學習
在之前的學習流程圖中，在分布的部分加上了雜訊，這個時候會對之前的推導有什麼影響？
資料部分和標籤部分都有可能產生雜訊，比如標籤的誤標等，資料採集的誤差等；
之前介紹vc bound的關鍵使用了彈珠和罐子的例子，以彈珠表示每個具體的資料例項，罐子表示整個資料空間，通過在罐子中進行抽樣來**整個罐子的情況；
對應到學習上：此處彈marble彈珠前加上了確定的修飾，表示彈珠的真實顏色和取樣資料顏色相同沒有雜訊
存在雜訊時，彈珠的顏色就因為雜訊的原因可能為不確定的：
存在「變色龍」彈珠時，我們怎麼辦？還是可以採取抽樣的辦法，不過遇到特殊的彈珠時，需要記下抽樣時刻的顏色，也就是針對在某一取樣時間下，採出的樣本來反應整體；
此時，對於vc bound 來說，不光是資料x**與同乙個分布，此時y還要**乙個關於x的條件概率，整體來說就是（x,y）符合聯合概率分布f(x,y):
目標分布函式p(y|x)？？？？
在學習完成後使用測試集對訓練的模型進行效能測試；之前的推導過程中，我們使用在樣本以外的資料集上的錯誤：
更一般的來說，針對某個模型自然的就要考慮到：
抽樣樣本之外，對某個具體的點來衡量：
對於二元分類問題：
以上的錯誤衡量常被稱為0/1錯誤；
單點衡量經常使用整個資料集上出錯的點的平均：
對於樣本內可以使用：
幾種常用的錯誤衡量方式：
0/1錯誤：
平方誤差：
不同錯誤衡量下的最優的mini target 的選擇辦法：
機器為什麼可以學習
機器學習 人工智慧炙手可熱，但是機器到底為什麼可以學習呢？本文將從霍夫丁不等式講到vc維，機器學習的原因所在。機器什麼時候可以學習 機器怎麼學習 如何讓機器學得更好總結 機器學習乍聽之下很厲害，這時候人就會想，這乙個普普通通的死板的機器，怎麼會學習呢？很容易地，人們舉了個簡單的問題 如下圖 x,y,...
為什麼機器學習難於應用
應用機器學習是有挑戰性的。在機器學習領域，你必須要在沒有正確答案的問題上做出很多決定！例如 用什麼框架？用什麼資料 作為輸入，要輸出什麼資料？用什麼演算法？用什麼演算法配置？這些問題對於初學者來說是乙個嚴峻的挑戰。如何形成乙個明確的學習問題。當給你的問題設計乙個學習系統的時候，有四個決策點需要考慮。...
exe為什麼可以在不同機器上執行
1，很多資料都說，exe檔案是二進位製碼 指令 是可以直接被機器執行的 2，但是，所謂的二進位製碼 指令 不是因機而異的嗎？不同的機器，使用的cpu是不一樣的，指令集也不一樣，那為什麼在一台機器上生成的exe可以在別的不同指令集上的cpu上執行？3，在我看來，這個所謂的指令，恐怕指的並不是對應硬體的...