第1章、【特徵工程】；第2章、【模型評估】；第3章、【經典演算法】
第4章、【降維】；第5章、【非監督學習】；第6章、【概率圖模型】
第7章、【優化演算法】；第8章、【取樣】
第9章、【前向神經網路】；第10章、【迴圈神經網路】；第11章、【強化學習】；第12章、【整合學習】；第13章、【生成式對抗網路】例如歸一化、特徵處理、詞向量等
就是評估模型的手段，可以參照西瓜書上面的
一些經典演算法，比如svm、邏輯回歸、決策樹等等等
主要就是降維的【pca和線性判別分析】
講解非監督學習的一些方法：比如k均值聚類、高斯混合模型等
比如貝葉斯網路、馬爾科夫模型、最大熵模型等
比如凸優化問題、無約束優化問題、隨機梯度下降等
比如mcmc取樣法以及一些常用的模型怎麼取樣
就是神經網路的那些事：比如卷積神經網路、迴圈神經網路、網路優化等
就是迴圈神經網路的那些事，僅此而已
傳統強化學習、深度強化學習等
比如隨機森林、gbdt等等
就是gan的那些事，比如wgan等
百面機器學習筆記 4
roc曲線 question 如何計算auc？answer 首先，auc是指roc曲線下的面積大小，該值能夠量化地反映基於roc曲線衡量出的模型效能。計算auc值只需要沿著roc橫軸做積分就可以了。由於roc曲線一般都處於y x這條直線的上方 如果不是的話，只要把模型 的 概率反轉成1 p就可以得到...
百面機器學習
目錄 第一章 特徵工程 1.1特徵歸一化 1.2高維組合特徵的處理 特徵工程 對原始資料進行一系列工程處理，將其提煉為特徵。作為輸入給演算法和模型使用。本質上，特徵工程是乙個表示和展現資料的過程。特徵工程旨在去除原始資料中的雜誌。結構化資料 類似於資料庫中的乙個表，每乙個行列都有清晰的定義，包含數值...
百面機器學習筆記 特徵工程
特徵工程筆記 為了消除資料特徵之間的量綱影響，我們需要對特徵進行歸一化處理，使得不同指標之間具有可比性。特徵歸一化 normalization 使各指標處於同一數值量級，以便進行分析。1 線性函式歸一化 min max scaling 它對原始資料進行線性變換，使結果對映到 0,1 的範圍，實現對原...