待验证50% 置信事实精确时间

MLE是频率学派的核心方法，目标是最大化似然函数P(D|θ)；MAP引入贝叶斯框架，最大化后验概率P(θ|D) ∝ P(D|θ)·P(θ)

1

来源数

50%

置信度

长期有效

时效性

2026/9/4

首次发现

来源

用Claude Code整理机器学习笔记：CS189自学实践与方法论

涉及实体

MLEconcept MAPconcept

相关事实

待验证MLE 的核心职责在于将研究阶段的 ML 模型转化为可在生产环境中稳定运行的系统，涉及推理加速、特征存储、在线/离线推理架构等工程问题65% 相似待验证最大似然估计（MLE）是大多数ML模型参数学习的理论基础65% 相似待验证当先验为均匀分布时MAP退化为MLE，高斯先验对应岭回归（Ridge），拉普拉斯先验对应Lasso回归62% 相似待验证选择性量化思路与LLM领域的GPTQ、AWQ等量化方法一脉相承59% 相似待验证重参数化技巧将采样表示为 z = μ + σ × ε（ε从标准正态分布采样），使随机性外置于ε，从而让μ和σ的梯度可正常反向传播实现端到端训练58% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/852485

API

curl https://kongchang.com/api/v1/knowledge/claims/852485

MCP

get_claim(id=852485)