以下以 Hackmd 來記錄每堂課程的投影片整理:

第一堂課主要介紹古典 AI 和近代 AI 的類型
Course 1 — HackMD

第二堂課簡介 Machine Learning,並將其分類成 5 種:
Course 2 — Introduction to Machine Learning — HackMD

第三堂課主軸在敘說 Supervised Learning:
Course 3 — Supervised Learning — HackMD

第四堂課粗略介紹機器學習工具 Scikit Learn:
Course 4 — Scikit-learn — HackMD

第五堂課 VC Dimension (ML function 的複雜度):
Course 5 — VC Dimension — HackMD

第六堂課為 Naive Bayes Classifier 鋪成介紹貝式定理以及相關決策:
Course 6 — Bayesian Decision Theory — HackMD

第七堂課 Naïve Bayes classifier:
Course 7 — Application of Bayes Theorem — HackMD

第八堂課 Parametric estimation (MLE, MAP, Bayes):
Course 8 — Parametric Estimation — HackMD

第九堂課講解多變量分析,一個實驗中有多個測量結果時,
探討資料彼此之間的關聯性或是釐清資料的結構:
Course 9 — Multivariable methods — HackMD

第十堂課 Density estimation 機率分布的重要性
Course 10 — Density estimation — HackMD

中間之後補齊

第十五講 Clustering algorithm
Course 15 — Clustering Algorithm — HackMD

--

--

目的是要由一給定值去得到預估對應值,若要求得此 function 必須經由下列3 項步驟 :
1. 使用最小平方差去找到一條線可以剛好對應這些 Data
2. 計算 R² (目的是去了解上步驟的猜測有多精準)
3. 計算 R² 的 p-value (判斷給定 Data 是否具有統計顯著性)

如何找那條線 ?

  1. 首先將 Data 布於 x-y graph 上
  2. 劃一條線
  3. 計算每點 Data 至那條線之平均最短距離平方差
  4. 旋轉那條線,並繼續計算平均最短距離平方差
  5. 轉360度後,選擇那最小差異值,便求得 Fit line

求得R² ?

每筆資料針對那條線求出 Var(fit)
之後再依照當前有的Data對應項求出其 Var(mean)

計算變異數的方法

最後如下圖例所示 R² = [Var(mean)-Var(fit)] / Var(fit)

R² 大小介於 0%~100% (越接近 100% 代表其 line 所預估的對應值越符合)
R² 也代表有多少 percentage 的 Data 可以用這預估出來

--

--