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
今天我们接着上一讲“#9 生成对抗网络101 终极入门与通俗解析”， 手把手教你写一个生成对抗网络。参考代码是：https://github.com/AYLIEN/gan-intro
关键python库: TensorFlow, numpy, matplotlib, scipy
我们上次讲过，生成对抗网络同时训练两个模型, 叫做生成器和判断器. 生成器竭尽全力模仿真实分布生成数据; 判断器竭尽全力区分出真实样本和生成器生成的模仿样本. 直到判断器无法区分出真实样本和模仿样本为止.
上图是一个生成对抗网络的训练过程，我们所要讲解的代码就是要实现这样的训练过程。
其中， 绿色线的分布是一个高斯分布（真实分布），期望和方差都是固定值，所以分布稳定。红色线的分布是生成器分布，他在训练过程中与判断器对抗，不断改变分布模仿绿色线高斯分布. 整个过程不断模仿绿色线。蓝色线的分布就是判断器，约定为, 概率密度越高, 认为真实数据的可能性越大. 可以看到蓝线在真实数据期望4的地方,蓝色线概率密度越来越小, 即, 判断器难区分出生成器和判断器. 继续阅读手把手教你写一个生成对抗网络 — 生成对抗网络代码全解析, 详细代码解析(TensorFlow, numpy, matplotlib, scipy)
