第一章 绪论 第二章 模型评估与选择 第三章 线性模型 第四章 决策树 第五章 神经网络 第六章 支持向量机 第七章 贝叶斯分类器 第八章 集成学习 第九章 聚类 第十章 降纬与度量学习 第十一章 特征选择与稀疏学习 第十二章 计算理论学习 第十三章 半监督学习 第十四章 ...

《机器学习》 --周志华版（西瓜书）--课后参考答案 对机器学习一直很感兴趣，也曾阅读过李航老师的《统计学习导论》和Springer的《统计学习导论-基于R应用》等相关书籍，但总感觉自己缺乏深入的理解和系统的实践。最近从实验室角落觅得南京大学周志华老师《机器学习》一书，随意翻看之间 ...

第一章 绪论 http://blog.csdn.net/icefire_tyh/article/details/52065224 第二章 模型评估与选择 http://blog.csdn.net/icefire_tyh/article/details/52065867 第三章 线性模型 ...

习题 3.1 　　试析在什么情况下式 \((3.2)\) 中不必考虑偏置项 \(b\) . 　　书中有提到, 可以把 \(x\) 和 \(b\) 吸收入向量形式 \(\hat{w} = (w;b)\) .此时就不用单独考虑 \(b\) 了. 　　其实还有很多情况不用, 比如说使用 ...

习题 5.1 　　试述将线性函数 \(f(\boldsymbol{x}) = \boldsymbol{w}^{\mathrm{T}}\boldsymbol{x}\) 用作神经元激活函数的缺陷. 　　理想中的激活函数是阶跃函数, 但是它不连续, 不光滑, 所以要一个连续、光滑的函数替代它. 线性 ...

习题 4.1 　　试证明对于不含冲突数据 (即特征向量完全相同但标记不同) 的训练集, 必存在与训练集一致 (即训练误差为 0)的决策树. 　　既然每个标记不同的数据特征向量都不同, 只要树的每一条 (从根解点到一个叶节点算一条) 枝干代表一种向量, 这个决策树就与训练集一致. 4.2 ...

习题 6.1 　　试证明样本空间中任意点 \(\boldsymbol{x}\) 到超平面 \((\boldsymbol{w}, b)\) 的距离为式 \((6.2)\) . 　　设超平面为 \(\ell(\boldsymbol{w}, b)\) , \(\boldsymbol{x ...

【第1章 绪论】 1.1 引言 学习算法：机器学习所研究的主要内容，是关于在计算机上从数据中产生“模型”的算法，即“学习算法”。 学习算法的作用：1.基于提供的经验数据产生模型； 2.面对新情况时，模型 ...