列1 列2
機器學習 方法
模型評估與選擇 效能度量、偏差與方差
線性模型 線性回歸、邏輯回歸
決策樹 資訊增益、剪枝、c4.5
神經網路
svm 對偶問題、核方法
貝葉斯分類器 極大似然估計、em演算法
整合學習 boosting、bagging與隨機森林、深度森林
聚類 降維 k-近鄰、pca
特徵選擇與稀疏學習 稀疏表示
計算學習理論 vc維
半監督
概率圖 hmm、mrf、crf
劍指offer
演算法/題解-劍指offer.md
總共51個題目，有興趣可以自己做，有問題的再一塊討論
感知機
knn
random forest
貝葉斯分類器/樸素貝葉斯
em adaboost
增強學習
流行學習
rbf學習
稀疏表示
字典學習
rbm學習
蟻群演算法
馬爾可夫模型
傳統機器學習和深度學習
托馬斯 貝葉斯 thomas bayes 同學的詳細生平在這裡。以下摘一段 wikipedia 上的簡介 所謂的貝葉斯方法源於他生前為解決乙個 逆概 問題寫的一篇文章，而這篇文章是在他死後才由他的一位朋友發表出來的。在貝葉斯寫這篇文章之前，人們已經能夠計算 正向概率 如 假設袋子裡面有n個白球，m個...
傳統機器學習模型knn
一種簡單的分類模型 分類依據 看離待分點最近的k個鄰居屬於哪個分類的最多，通過調整k的值，可能會得到不同的分類效果 步驟 1.給出已標註好的資料點i i 1,n 的座標 xi,yi x i,y i xi yi 以及類別t it i ti 取值為0或1 2.給出新加入點的座標 x0,y0 x 0,y ...
NPL實踐系列 4 傳統機器學習
原理 基於樸素貝葉斯公式，比較出後驗概率的最大值來進行分類，後驗概率的計算是由先驗概率與類條件概率的乘積得出，先驗概率和類條件概率要通過訓練資料集得出，即為樸素貝葉斯分類模型，將其儲存為中間結果，測試文件進行分類時呼叫這個中間結果得出後驗概率。模型和訓練 樸素貝葉斯分類器是一種有監督學習，常見有三種...