以下是我的學習筆記，以及總結，如有錯誤之處請不吝賜教。
問題1：機器學習演算法有計算型和規則型這兩類的演算法，請問這兩類下各自的都有哪些演算法，以及您對這個分類思路的理解？
問題2：同樣是進行分類任務，lr與決策樹在解決問題的思想上有哪些不同？
問題3：為什麼說決策樹在進行非線性表達這個層面要優於lr？
問題4：樹模型相對lr等線性模型的優點？
問題5：請解釋決策樹結構中的各個組成部分？
問題6：決策樹是如何完成回歸任務的？
問題1：常見的機器學習任務有哪幾大類別，具體說說每個類別又有哪些應用？
問題2：機器學習的學習策略大致可分為有監督學習與無監督學習，請談談您對這兩類策略的認識。
問題3：列舉你所知道的機器學習任務中的一些術語並給出解釋。（例如，特徵，標籤，訓練等）
問題4：gbdt 和 xgboost 的區別有哪些？
問題5：xgboost代價函式裡加入正則項，是否優於cart的剪枝？
問題6：談談什麼是生成式模型與判別式模型，以及各自特點？
問題1：分類和回歸的評估指標分別有哪些？
問題2：什麼是損失函式？請寫出回歸任務中的均方誤差的數學公式，並解釋
問題3：簡單介紹下邏輯回歸：
問題4：模型的泛化能力是指？
問題5：為什麼要為模型新增正則化項？
問題6：請結合公式進行說明結構風險最小化的含義？
to be continue......
機器學習 高階演算法課程學習總結
作為乙個機器學習方面的小白，在閔老師課上學的兩個聚類演算法，即經典的k means聚類和基於隨機遊走的聚類演算法，是我學習到的頭兩個與機器學習相關的演算法。演算法課上，閔老師先講了簡單但是經典的k means聚類演算法，讓我們對聚類演算法有了乙個初步的理解，緊接著又花了大量的時間剖析了基於隨機遊走的...
Python機器學習課程 線性回歸演算法
最基本的機器學習演算法必須是具有單個變數的線性回歸演算法。如今，可用的高階機器學習演算法，庫和技術如此之多，以至於線性回歸似乎並不重要。但是，學習基礎知識總是乙個好主意。這樣，您將非常清楚地理解這些概念。在本文中，我將逐步解釋線性回歸演算法。想法和公式 線性回歸使用非常基本的 思想。公式如下 y c...
機器學習分類及機器學習演算法概覽
機器學習可分為3類 監督學習 無監督學習 強化學習 監督學習表示機器學習的資料是帶標記的，這些標記可以包括資料類別 資料屬性及特徵點位置等。這些標記作為預期效果，不斷修正機器的 結果。每當想要根據給定輸入 某個結果，並且還有輸入 輸出示例時，都應該使用監督學習。具體實現過程是 通過大量帶有標記的資料...