以数据为中心和静态为中心的AI是贝叶斯论和频率论的另一种变体吗？

(data)是迹象(Evidence)

为什么给这几个新标准差收这么个起名呢？

在可计算性工具里，我们“明白”原始数据，“结论”三维

到时验新标准差(Prior)：在探测到data后，model是未知的。我们的目标是解显现出它是model的新标准差，而我们在探测之前从未明白了data是model的新标准差，因此P(model)称作到时验新标准差。

后验新标准差(Posterior)：在探测到data后，明白data的信息后，model的新标准差就改变了。因为这个新标准差P(model|data)是在探测不久才明白的，所以称作后验新标准差

迹象(Evidence)：因为我们从未明白data，并且从未检视到了这个有显然的牵涉到，因此对我们来说它是一个迹象，而我们检视到这个迹象的新标准差P(data)就叫迹象

似然(Likelihood)：字典上意思是一件有事牵涉到的确实性或新标准差，在这个例子里它表示当data是model时，它是data的新标准差。

这些新标准差有这些起名的根本原因是有事件的牵涉到以此类推（牵涉到在探测之前或不久）有所不同。

这说什么紧紧有点晦涩难懂，并且在许多表象场景里，要明白潜在的常见于p(data)是很艰难因为我们乐意相信我们得到的原始数据是在从潜在的常见于里滤波的，但实际上近乎在所致系数和/或通类似于噪声的精确测量“设备”透过滤波的。

因此，在以三维为里心的工具里，力图完全避免处理这个难题。在典型的二阶优度内积(可计算性因子、似然比等)里，我们只是提显现出迹象新标准差。这就是为什么这些举例说明总是比率的原因，假定它们情况下合理一个三维确实比另一个不够好。

但对于任何表象生活里的应用(例如，的产品过多预测)，我们对“最好”三维的相对好坏本来，而是对它的泛化感兴趣(例如，避免的产品过多)。因此在以原始数据为里心的机器学习工具里，是渴望倡导大幅提高对p(data)的常识的总结和总结。所以就想要显现出了很多可以应用于的工具:

监测原始数据恒星质量以控制原始数据里的噪声和倾斜

透过不够多的函数调用，以减轻操练和线上推理时所致系数的影响

用有所不同的三维处理有所不同的原始数据可数，大幅提高了种系统的结构上稳定性

这些工具颇为关键，尤其是在刚开始整合机器学习产品时。我们最终得到的是一个经过操练的三维，该三维的三维虚拟化和微实例可以满足对收集到的原始数据透过建模并获得结果。

我曾透过过许多从新整合的广度研读这两项，每一次我看到的远超过修改都来自于原始数据修补。但是修补原始数据不仅假定要处理所致系数、缺失系数和重复系数，还假定要验证标注的一致性。有了不够干净的原始数据，就可以从p(data)里透过不够好的采样，假定可以应用于有所不同的原始数据进一步提高高效率对潜在的例子透过不够彻底的采样。

选择哪一个

一般·的文中会在结尾都会告诉你：成年人是不做笔试的，我全都要:应用于总结偏见和修补原始数据。但我想要说的是，同时以这两个为里心是不太确实的，因为两者兼顾的难题在于，如果你不选则一个为里心，另外一个为必需功能的话，而是最终会什么都得不到。在实践里，对原始数据和三维的同时修改会引致不明确的结果。例如一个这两项经过一周的不够改不久，终于看到了修改效果。但你应该把它归因于什么呢?是因为修补原始数据的指导吗?还是因为在三维虚拟化上的指导?是两者的结合吗?你还是情况下猜测。而且当看不到修改时，情况甚至不够加艰难:应该放弃该虚拟化吗?不够换原始数据处理工具?还是你不应该把它们放在独自同时应用于?

这个例子虽然有一些夸张，但近乎一个较好的实践：保持一切不变，只改动一个自变量，看看它对结果的影响。因此，在改动时不是从或多或少并行透过不够改，而是以不够结构化的方式应付难题：迭代。首到时以原始数据为里心是肯定的，原始数据达致良好的一致性恒星质量，再专注于增高三维的十分复杂性（无论是纯粹的实例需求量还是总结不确认性的类型）。在透过这两项时要坚持对照比较。才可要管理者的不仅是微实例和三维，而且还才可要应用于模糊不清的旧名标明原始数据集的有所不同正式版，这样才可以不够模糊不清的查看哪些不够改引致了哪些修改，所以应用于git透过正式版管理者是一个颇为好工具。

创作者：Ágoston Török

————————————————

著作权声明：本文为CSDN博主「deephub」的原创文中，遵循CC 4.0 BY-SA著作权协议，发表文中恳请读出原文显现出处链接及本声明。

原文链接：

。

肠道调理吃什么好
脉血康功效
中西医结合科
什么药治疗拉肚子好的快
嗓子痒吃复方草珊瑚含片