李群在机器学习中的应用（超基础篇）
?Download as PPTX, PDF?
3 likes?1,270 views
簡報中首先介紹了李理論（Lie theory） 中的重要觀念，包含群、向量場與群不變量，隨後將群不變量的觀念與機器學習領域中的隨機梯度下降法做連結，最後帶到了普遍機器學習模型中都會使用到的範數計算，可以在這個理論中進行客製優化。若要順利閱讀本簡報需要具備基本機器學習理論的數理能力，不過若僅具有高中數學能力也能閱讀八成以上，未來將會進一步製作基礎篇與進階篇的簡報。
![李群在機器學習上的應用（超基礎篇）
Applied Lie theory to machine learning
王睿麒 Ruei-Ci Wang [ rcwang.tw@gmail.com ]
※若要順利閱讀本文，需要具有基礎機器學習理論的基本數學能力](https://image.slidesharecdn.com/69jtvd8togmhbf8wokna-signature-0cfb601697b9be4b3d6a3756f814f3d8b97ab2f0623bc2acf5ad191b72383457-poli-151124192937-lva1-app6892/85/-1-320.jpg)
李群在机器学习中的应用（超基础篇）
- 1. 李群在機器學習上的應用（超基礎篇） Applied Lie theory to machine learning 王睿麒 Ruei-Ci Wang [ rcwang.tw@gmail.com ] ※若要順利閱讀本文，需要具有基礎機器學習理論的基本數學能力
- 16. 應用（二）優化範數 (Norm) 如果對支援向量機 (SVM) 有一些基礎了解，你會理解到 SVM 和傳統回歸分析，最大的差別在於目標函數的計算方 法，SVM 的目標函數比傳統回歸分析多了一個範數項：
- 17. 應用（二）優化範數 (Norm) 當然不只有 SVM ，只要你自行建構的機器學習模型中，有 使用到損失函數進行模型參數的優化，通常一定會需要計算 範數，通俗一點講就是計算參數空間的距離。 一般來說，大家對於 L0, L1, L2 範數計算在機器學習中的 應用已經有廣泛探討 ……… BUT!!!