01 如何阅读？

1.读书通读、速度，了解大概。规定读书时间，1个月，一天15页。

2.阅读具体分支读物，3 - 6个月。提纲挈领。

3.再回来阅读机器学习。

4.再过1-3年。疏通脉络。

02 理论模型：PAC， Probability Approximation Correct

P{ |f(x)-y| < e } = 1-r

P-NP

P：多项式时间内，能否找到解
NP：多项式时间内，给到你的解，能否判断是否为解/最佳结论/最优解
大多数问题在 NP 问题之外

03 归纳偏好，这本书比较特点的说法

奥卡姆剃刀原则：若无必要，非增实体。

04 ShoelessCai 评注

并非方差小的就一定是好的模型。针对经常出现的情况的模拟，方程大的、不稳定的模型可能才是更好的模拟。

NFL：No Free Lunch 该算法在某些问题表现好，一定在某些问题表现不好

05 误差与过拟合、欠拟合

1.泛化误差，在“未来”样本上的误差

2.经验误差，在训练集上的误差，亦称“训练误差”

06 经验误差 v.s. 训练误差

通常的做法：第一，区分训练集合、测试集合；第二，再将训练集合，分割成训练，v.s. 验证；BTW，最终提交的时候，要将训练集合全体再次训练；

07 机器学习三大问题

未来性能的评估方法：测试集合过小或者过大的时候，评估方差都会较大。依据在于 训练误差始终减小，而训练误差是U字形的。

08 评估方法

1.留出法 - 切分造成的影响，去掉

2.留一法 LOO 这样测试样本太少

3.Bootstrap 包外估计 不断在集合中重复采样

集合中 m 个球，没被取到的概率为 36.8%

超参数：人工调整的参数

参数：模型学习得到

Precision = TP / (TP+FP)

Recall = TP / (TP+FN)

F1-Score = 2 / (1/P+1/R)

09 CV 如何确定模型误差情况

采用列联表检验，考虑反对角线上两个点。基本做法，构造卡方统计量，然后判断统计量显著，或者不显著。

Talk

可能空着的题目太多了，使得阅卷老师都懒得看我做的题目，那么以后我就准备得充分一些。


话说多了很傻。


人际关系真的有“那么”重要吗？