斯坦福CS229機器學習課程筆記一：線性回歸與梯度下降算法
應該是去年的這個時候，我開始接觸機器學習的相關知識，當時的入門書籍是《數據挖掘導論》。囫圇吞棗般看完了各個知名的分類器：決策樹、朴素貝葉斯、SVM、神經網絡、隨機森林等等；另外較為認真地復習了統計學，學習了線性回歸，也得以通過orange、spss、R做一些分類預測工作。可是對外說自己是搞機器學習 ...
原文：CS229 斯坦福大學機器學習復習材料(數學基礎) - 線性代數
CS 斯坦福大學機器學習復習材料 數學基礎 線性代數 線性代數回顧與參考 基本概念和符號 . 基本符號 矩陣乘法 . 向量 向量乘法 . 矩陣 向量乘法 . 矩陣 矩陣乘法 操作及其性質 . 單位矩陣和對角矩陣 . 轉置 . 對稱矩陣 . 矩陣的跡 . 范數 . 線性相關性和秩 . 方陣的逆 . 正交矩陣 . 矩陣的值域和零空間 . 行列式 . 二次型和半正定矩陣 . 特征值和特征向量 . 對稱 ...
2021-08-06 13:57 0 192 推薦指數：
相關推薦
斯坦福大學機器學習筆記及代碼（一）
(Notes and Codes of Machine Learning by Andrew Ng from Stanford University) 說明：為了保證連貫性，文章按照專題而不是原本的課程進度來組織。 零、什么是機器學習？ 機器學習就是：根據已有的訓練集D，采用學習算法A，得到 ...
斯坦福CS229機器學習課程筆記二：GLM廣義線性模型與Logistic回歸
一直聽聞Logistic Regression邏輯回歸的大名，比如吳軍博士在《數學之美》中提到，Google是利用邏輯回歸預測搜索廣告的點擊率。因為自己一直對個性化廣告感興趣，於是瘋狂google過邏輯回歸的資料，但沒有一個網頁資料能很好地講清到底邏輯回歸是什么。幸好，在CS229第三節課介紹 ...
LR 算法總結--斯坦福大學機器學習公開課學習筆記
在有監督學習里面有幾個邏輯上的重要組成部件[3]，初略地分可以分為：模型，參數 和 目標函數。（此部分轉自 XGBoost 與 Boosted Tree） 一、模型和參數 模型指給定輸入xi如何去預測 輸出 yi。我們比較常見的模型如線性模型（包括線性回歸和logistic ...
斯坦福大學機器學習，EM算法求解高斯混合模型
斯坦福大學機器學習，EM算法求解高斯混合模型。一種高斯混合模型算法的改進方法---將聚類算法與傳統高斯混合模型結合起來的建模方法, 並同時提出的運用距離加權的矢量量化方法獲取初始值，並采用衡量相似度的方法來融合高斯分量。從對比結果可以看出，基於聚類的高斯混合模型的說話人識別相對於傳統的高斯混合模型 ...
斯坦福CS229機器學習課程筆記六：學習理論、模型選擇與正則化
稍微了解有監督機器學習的人都會知道，我們先通過訓練集訓練出模型，然后在測試集上測試模型效果，最后在未知的數據集上部署算法。然而，我們的目標是希望算法在未知的數據集上有很好的分類效果（即最低的泛化誤差），為什么訓練誤差最小的模型對控制泛化誤差也會有效呢？這一節關於學習理論的知識就是讓大家知其然也知 ...
斯坦福CS229機器學習課程筆記五：支持向量機 Support Vector Machines
SVM被許多人認為是有監督學習中最好的算法，去年的這個時候我就在嘗試學習。不過，面對長長的公式和拗口的中文翻譯最終放棄了。時隔一年，看到Andrew講解SVM，總算對它有了較為完整的認識，總體思路是這樣的：1.介紹間隔的概念並重新定義符號；2.分別介紹functional margins ...
斯坦福大學Andrew Ng教授主講的《機器學習》公開課觀后感
課程設置和內容 視頻課程分為20集，每集72-85分鍾。實體課程大概一周2次，中間還穿插助教上的習題課，大概一個學期的課程。 內容涉及四大部分，分別是：監督學習（2-8集）、學習理論（9集-11集）、無監督學習（12-15集）、強化學習（16-20集）。監督學習和無監督學習，基本上是機器學習 ...