用神经网络去替代人为塑造的损失函数(成本函数), 似乎已成一种趋势 — David 9
NIPS：神经信息处理系统大会(Conference and Workshop on Neural Information Processing Systems)，是一个关于机器学习和计算神经科学的国际顶级会议。该会议固定在每年的12月举行,由NIPS基金会主办。在中国计算机学会的国际学术会议排名中，NIPS为人工智能领域的A类会议。
截止2016年底，NIPS大会已经办了29个年头，关于会议流程与相关细节，可以参考这篇文章。
今天的论文精选是来自UC Berkeley的论文: Value Iteration Networks (价值迭代网络) . 继续阅读NIPS 2016论文精选#1—Value Iteration Networks 价值迭代网络（Best paper award 最佳论文奖）
如果不再假设一个分布的参数是固定的，而是去寻找这个参数可能的分布，就可以理解超参数的意义 — David 9
A/B测试一直是David 9想cover的知识点，今天又邂逅一篇相关文章：“tl;dr Bayesian A/B Testing with Python”。于是今天决定讲解一下如何“用python做贝叶斯A/B测试”。所以，现在，两个重要的知识点是 A/B 测试 和 “共轭先验”。
关于A/B测试，其实概念非常简单，简单来说，就是为同一个目标制定两个方案（比如两个页面），让一部分用户使用 A 方案，另一部分用户使用 B 方案，记录下用户的使用情况，看哪个方案更符合设计。A/B测试已经在Web上得到广泛的应用，可以用于增加转化率注册率等网页指标[3].
很显然，A方案的转化率可以看作一个二项分布：
一直苦于没有办法自测一下机器学习知识掌握程度，最近看到一篇Ankit Gupta写的博客：Solutions for Skilltest Machine Learning : Revealed。有40题机器学习自测题，马上可以看看你的机器学习知识能打几分？顺便还能查漏补缺相关术语，以及SVM, 隐马尔科夫, 特征选择, 神经网络, 线性回归等众多知识点.
以下是试题, 附答案：
Q1：在一个n维的空间中， 最好的检测outlier(离群点)的方法是：
A. 作正态分布概率图
B. 作盒形图
C. 马氏距离
D. 作散点图
答案：C
马氏距离是基于卡方分布的，度量多元outlier离群点的统计方法。更多请详见：这里和”各种距离“。
Q2：对数几率回归（logistics regression）和一般回归分析有什么区别？： 继续阅读#12 机器学习能力自测题—看看你的机器学习知识能打几分？不容错过的机器学习试题与术语
