機器學習理論：頻率學派 MLE 與 貝氏學派 MAP 機器學習觀點介紹、從 MAP 推導 L1, L2 regularization

這影片中我們從頻率學派、貝氏學派、丟硬幣的例子帶到 Maximum Likelihood Estimation 和 Maximum A Posteriori 的推導，並發現機器學習常用的 L1, L2 regularization 是基於 MAP 中對於參數分佈的先驗假設。 影片內容為在參考許多文章後我理解的結果，若有理解錯誤歡迎指正，請多指教！ Slides: https://docs.google.com/presentation/d/1Jv3PCnrOx_T_gZDcHTiNxv__s5DS4teJLH9psdlkrlY/edit?usp=sharing 0:00 Intro 1:22 頻率學派、貝氏學派主要觀點 3:00 丟硬幣例子 3:55 丟硬幣：頻率學派 6:09 丟硬幣：貝氏學派 10:21 兩個學派的優缺點 12:15 MLE推導 19:00 MAP推導 26:52 當MAP用不同distribution做先驗 30:14 L1 regularization時參數較稀疏之原因 32:00 Ending