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
110
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
840
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
書き捨てではなく継続開発可能なコードをAIコーディングエージェントで書くために意識していること
shuyakinjo
1
300
画像コンペでのベースラインモデルの育て方
tattaka
3
1.8k
DynamoDBは怖くない!〜テーブル設計の勘所とテスト戦略〜
hyamazaki
1
210
Google I/O recap web編 大分Web祭り2025
kponda
0
2.9k
Nuances on Kubernetes - RubyConf Taiwan 2025
envek
0
190
Understanding Ruby Grammar Through Conflicts
yui_knk
1
120
Terraform やるなら公式スタイルガイドを読もう 〜重要項目 10選〜
hiyanger
13
3.2k
コンテキストエンジニアリング Cursor編
kinopeee
1
700
レガシープロジェクトで最大限AIの恩恵を受けられるようClaude Codeを利用する
tk1351
2
950
オープンセミナー2025@広島LT技術ブログを続けるには
satoshi256kbyte
0
120
モバイルアプリからWebへの横展開を加速した話_Claude_Code_実践術.pdf
kazuyasakamoto
0
250
The state patternの実践 個人開発で培ったpractice集
miyanokomiya
0
150
Featured
See All Featured
Making the Leap to Tech Lead
cromwellryan
134
9.5k
Why You Should Never Use an ORM
jnunemaker
PRO
59
9.5k
Being A Developer After 40
akosma
90
590k
CSS Pre-Processors: Stylus, Less & Sass
bermonpainter
358
30k
Connecting the Dots Between Site Speed, User Experience & Your Business [WebExpo 2025]
tammyeverts
8
480
[RailsConf 2023] Rails as a piece of cake
palkan
56
5.8k
What’s in a name? Adding method to the madness
productmarketing
PRO
23
3.6k
The MySQL Ecosystem @ GitHub 2015
samlambert
251
13k
Building a Scalable Design System with Sketch
lauravandoore
462
33k
Designing for Performance
lara
610
69k
Helping Users Find Their Own Way: Creating Modern Search Experiences
danielanewman
29
2.8k
Code Reviewing Like a Champion
maltzj
525
40k
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?