Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
機器學習超入門
Search
Hai Feng Kao
May 18, 2018
Programming
0
170
機器學習超入門
介紹Naive Bayes演算法
Hai Feng Kao
May 18, 2018
Tweet
Share
More Decks by Hai Feng Kao
See All by Hai Feng Kao
物件導向的文藝復興:用DCI重塑程式設計的藝術
haifengkao
0
98
模組化的Swift架構(一) Redux入門
haifengkao
0
140
模組化的Swift架構(二) DDD速成
haifengkao
0
830
日常生活中的腦殘
haifengkao
0
270
UICollectionView自動布局
haifengkao
1
450
宅宅設計入門2
haifengkao
2
290
宅宅設計入門
haifengkao
5
310
Other Decks in Programming
See All in Programming
Select API from Kotlin Coroutine
jmatsu
1
190
データの民主化を支える、透明性のあるデータ利活用への挑戦 2025-06-25 Database Engineering Meetup#7
y_ken
0
330
PHPでWebSocketサーバーを実装しよう2025
kubotak
0
240
ふつうの技術スタックでアート作品を作ってみる
akira888
0
220
Google Agent Development Kit でLINE Botを作ってみた
ymd65536
2
210
AWS CDKの推しポイント 〜CloudFormationと比較してみた〜
akihisaikeda
3
320
アンドパッドの Go 勉強会「 gopher 会」とその内容の紹介
andpad
0
280
Team operations that are not burdened by SRE
kazatohiei
1
280
Code as Context 〜 1にコードで 2にリンタ 34がなくて 5にルール? 〜
yodakeisuke
0
120
プロダクト志向ってなんなんだろうね
righttouch
PRO
0
170
なんとなくわかった気になるブロックテーマ入門/contents.nagoya 2025 6.28
chiilog
1
240
イベントストーミング図からコードへの変換手順 / Procedure for Converting Event Storming Diagrams to Code
nrslib
1
550
Featured
See All Featured
Facilitating Awesome Meetings
lara
54
6.4k
Intergalactic Javascript Robots from Outer Space
tanoku
271
27k
Save Time (by Creating Custom Rails Generators)
garrettdimon
PRO
31
1.2k
Unsuck your backbone
ammeep
671
58k
Making the Leap to Tech Lead
cromwellryan
134
9.4k
Building a Modern Day E-commerce SEO Strategy
aleyda
42
7.4k
No one is an island. Learnings from fostering a developers community.
thoeni
21
3.3k
4 Signs Your Business is Dying
shpigford
184
22k
Raft: Consensus for Rubyists
vanstee
140
7k
A designer walks into a library…
pauljervisheath
207
24k
The Straight Up "How To Draw Better" Workshop
denniskardys
234
140k
Become a Pro
speakerdeck
PRO
28
5.4k
Transcript
機器學習超入⾨門—Naive Bayes Hai Feng Kao iOS@Taipei 2018/5/15
None
None
None
Naive Bayes
Naive Bayes
None
Bayes • 反:是反社會⼈人格 • 嘴:會說話 • ⽯石:鐵⽯石⼼心腸 • P(反、嘴、⽯石) •
= P(反|嘴、⽯石) *P(嘴、⽯石) • = P(嘴、⽯石|反)*P(反) • = P(嘴|⽯石、反)*P(⽯石|反)*P(反) Naive Bayes • 假設反和嘴是獨立事件 • P(反、嘴、⽯石) • = P(嘴|反)*P(⽯石|反)*P(反) • 我們想知道⼀一個會說話⼜又鐵⽯石⼼心 腸的⼈人是不是反社會⼈人格 • P(反|嘴、⽯石) • = P(嘴|反)*P(⽯石|反)*P(反) / P(嘴、⽯石)
None
Independent Events • P(A, B) = P(A)*P(B)
範例例 • P(⽯石) = P(⽯石|正常⼈人) + P(⽯石|反) • =0.01 *
0.96 + 0.99 * 0.04 • = 0.0492 • P(反|⽯石) • = P(⽯石|反)*P(反) /P(⽯石) • = 0.99 * 0.04 / 0.0492 • = 0.804
範例例 • 把會不會說話加進來來考慮 • P(反|嘴、⽯石) • = P(嘴|反)*P(⽯石|反)*P(反) / P(嘴、⽯石)
• = 0.99 * 0.99 * 0.04 / P(嘴、⽯石)
範例例 • 假設有30%的正常⼈人也很會說話 • P(正常⼈人|嘴、⽯石) • = P(嘴|正)*P(⽯石|正)*P(正) / P(嘴、
⽯石) • = 0.3 * 0.01 * 0.96 / P(嘴、⽯石) • 因為P(正常⼈人|嘴、⽯石) + P(反|嘴、⽯石) = 1.0 • P(嘴、⽯石) = 0.3 * 0.01 * 0.96 + 0.99 * 0.99 * 0.04 = 0.042 • P(反|嘴、⽯石) = 0.99 * 0.99 * 0.04 / 0.042 = 0.91
Bayesian Network • 如果變數之間有相關性
Bayesian Network • 只要少量量的資料就可以建立模型 • 數字有意義,可以檢查那部分的 數字不對
Deep Learning • 需要⼤大量量的訓練資料 • 不知道數字代表什什麼
未解的問題 • 可以結合⼆二種⽅方法,得到⼀一個可 以理理解的模型嗎?