Stanford CS229 Machine Learning | Spring 2026 | Lecture 4: Exponential Family, GLMs Classification

摘要

深入介紹指數族分佈與一般線性模型（GLM），解釋其如何統一回歸、分類與計數資料的推論與學習機制。內容涵蓋 Softmax 函式在多類別分類中的核心地位，以及其作為現代 AI（如 Transformer）底層架構的基礎原理。

This lecture explains the exponential family and GLMs, covering Softmax for multi-class classification and its role as a foundation for modern AI architectures.

摘要、重點與章節標題由語言模型整理，細節（誰說的、數字、先後）可能有誤；要引用請以原始內容為準。

重點

• 指數族分佈提供統一模擬不同資料型別的數學框架。
• Softmax 函式是多類別分類與 Transformer 注意力的核心。
• 透過交叉熵損失與標籤平滑，提升模型的魯棒性與泛化能力。

章節

依話題轉折切分，標題由 AI 產生

1. 00:05指數族：統計學的基石與通用形式
2. 03:19指數族定義：參數維度與函式對映
3. 17:39矩生成函式與累量函式的差異
4. 19:41凸性保證參數可識別與梯度下降
5. 23:46神經網核與指數族的基礎關係
6. 32:49模型參數、連結函式與規範參數
7. 35:00獨立同分佈假設與損失函式分解
8. 37:18Cloud Code 多類別分類預測原理
9. 40:40指數模型平滑特性與決策邊界
10. 47:16模糊區域機率分佈與推論差異
11. 50:01超平面方向與特徵向量維度
12. 54:27多類別分類與邏輯回歸關係
13. 57:45標籤平滑技術與數值穩定性

提到的工具與公司

• CS229

適合誰看

正在修讀機器學習課程、需要理解分類模型底層原理的學生或工程師。

摘要依據

依據

人工字幕

為什麼排在這裡

人氣

0.58

新鮮

0.77

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• Stanford CS229 Machine Learning | Spring 2026 | Lecture 3: Weighted Least Squares影片 ・ Stanford Online ・ 1 小時 2 分
• Stanford CS229 Machine Learning | Spring 2026 | Lecture 7: Neural Networks 1 (Architecture)影片 ・ Stanford Online ・ 1 小時 20 分
• 人工智慧：機器學習與理論基礎 03. Classification影片 ・ NTU OpenCourseWare ・ 1 小時 54 分（在新分頁開啟原站）
• Machine Learning Foundations/Techniques: Soft-Margin Support Vector Machine影片 ・ Hsuan-Tien Lin ・ 1 小時 58 分（在新分頁開啟原站）
• softmax是为了解决归一问题凑出来的吗？和最大熵是什么关系？最大熵对机器学习为什么非常重要？影片 ・ 王木头学科学 ・ 1 小時（在新分頁開啟原站）
• Machine Learning Foundations/Techniques: Kernel Support Vector Machine影片 ・ Hsuan-Tien Lin ・ 1 小時 48 分（在新分頁開啟原站）