機器學習中的數學(六)--信息論與激活函數

寫在前面       《機器學習中的數學》系列主要列舉了在機器學習中用到的較多的數學知識,包括微積分,線性代數,概率統計,信息論以及凸優化等等。本系列重在描述基本概念,並不在應用的方面的做深入的探討,如果想更深的瞭解某一方面的知識,請自行查找研究。 1. 信息論 1.1 信息熵 定義:用來衡量信息量的大小,信息的不確定性越大,信息熵就越大,信息的不確定性越小,信息熵就越小 表達式: 舉例: 1.2
相關文章
相關標籤/搜索