本视频总时长约为64分钟

目标函数的构造是机器学习中最核心的一步,其目的是为了确定模型的参数,直观来看,是为了让机器学习算法完成我们想要的目标。一旦目标函数确定,剩下的就是最优化算法的工作,这在数学上一般有成熟的方法。

如果构造出目标函数,无论是对理解机器学习算法,还是对发明新算法,都是至关重要的。在这个视频中,我们将为你总结分析各种常用的机器学习算法的目标函数,帮助你对目标函数有更系统深入的认识,这对深刻理解机器学习算法也是非常有必要的。

这个视频将会讲解:

1. 各类机器学习算法要完成的目标,包括有监督学习中的分类问题和回归问题,无监督学习中的聚类与数据降维问题,强化学习。

2. 有监督学习中目标函数的总体分类,包括损失函数最小化与似然函数最大化。

3. 有监督学习中典型算法的目标函数,包括感知器算法的损失函数,欧氏距离损失函数,支持向量机的损失函数,线性判别分析的目标函数,合页损失函数,logistic回归的损失函数,softmax回归的损失函数,一般形式的交叉熵,AdaBoost算法的指数损失函数。

4. 回归算法的损失函数,主要是欧氏距离。

5. 多任务损失函数,包括在目标检测、人脸识别、距离度量学习中的典型实例。

6. 生成对抗网络的目标函数。

7. 聚类算法的目标函数。

8. 数据降维算法的目标函数,包括主成分分析(PCA),自动编码器,以及流形学习算法的目标函数。

9. 强化学习中的目标函数,即状态价值函数。

本视频由雷老师讲解,他毕业清华大学计算机系,研究方向为机器视觉与机器学习,有超过12年的学术研究与产品研发经验,擅长用深入浅出、生动形象的语言讲解复杂的算法和原理,是SIGAI公众号文章的主要作者,之前撰写的文章已经获得超过100万次的阅读量,受到了广大用户的高度评价。

相关资料:

机器学习中的目标函数总结.pdf

机器学习中的目标函数总结PPT.pdf




购买观看完整解读及视频