zoukankan      html  css  js  c++  java
  • 斯坦福机器学习课程笔记

    模型(如何模拟)---策略(风险函数)--算法(最优化方法)

    第一节:

    机器学习的基本概念和分类

    第二节:

    线性回归,最小二乘

    批梯度下降(bgd)和随机梯度下降(sgd)

    第三节:

    过拟合,欠拟合

    非参数学习算法:局部加权回归

    概率角度解释线性回归。极大似然估计(mlp)

    分类:逻辑回归(Bonoulli分布)

    第四节:

    牛顿方法(Newton Method):http://blog.csdn.net/itplus/article/details/21896453

    指数分布组(Expotional Family,最小二乘和逻辑回归的推广)

    广义线性模型(GLM)---->多项式分布,softmax回归:http://blog.csdn.net/acdreamers/article/details/44663305

    共轭梯度法:http://blog.csdn.net/u012176591/article/details/46242621

    第五节:

    生成算法,和判别算法区别

    高斯判别分析模型(GDA)

    朴素贝叶斯

    laplace平滑

    第六节:

    朴素贝叶斯方法(两种形式)

    神经网络介绍

    支持向量机(线性)

    第七节:

    SVM转化为凸优化问题(线性)

    拉格朗日乘子法和KKT条件,求解上述优化的对偶问题

    第八节:

    核与核函数(核矩阵对称半正定)

    L1 norm 软间隔 SVM (加入惩罚项)

    Cordinant ascent(坐标上升法)解优化问题

    SMO算法

    第九节:

    偏差/方差(Bias/variance)

    经验风险最小化(ERM)

    第十节:

    VC维理论

    交叉验证

    特征选择(wrapper/filter)

    第十一节:

    贝叶斯统计和正则化

    在线学习

    机器学习中的诊断技巧

    误差分析和销蚀分析

    第十二节:

    k-means

    GMM(高斯混合模型)

    EM算法

     第十三节:

    EM算法应用到GMM模型

    EM算法应用到混合朴素贝叶斯模型

    因子分析

    第十四节:

    因子分析的EM算法推导

    主成分分析(PCA)

    第十五节:

    LSI(潜在语义索引)

    SVD分解

    CDF(累积分布函数)、

    ICA算法

  • 相关阅读:
    解决PKIX:unable to find valid certification path to requested target 的问题
    Linux 上的常用文件传输方式介绍与比较
    用VNC远程图形化连接Linux桌面的配置方法
    红帽中出现”This system is not registered with RHN”的解决方案
    linux安装时出现your cpu does not support long mode的解决方法
    CentOS SSH配置
    es6扩展运算符及rest运算符总结
    es6解构赋值总结
    tortoisegit安装、clon、推送
    es6环境搭建
  • 原文地址:https://www.cnblogs.com/buyizhiyou/p/6056296.html
Copyright © 2011-2022 走看看