摘要： 1.k-近邻算法： 可以消除孤立的噪声样例的影响，可能出现维度灾难，近邻是多个不相干属性 连续值修改 2.距离加权最近邻算法 3.局部加权线性回归 4.径向基函数 核函数用高斯函数 5.消极算法 与积极算法的对比 阅读全文

摘要： 1.样本复杂度，计算复杂度，出错界限 样本复杂度 2.可能近似正确（PAC） 3.真实错误率 训练错误率： 样本错误率 4.一致学习器 变形空间： 详尽变形空间： 训练样本数目 5.不可知学习和不一致学习 hoeffding边界 6.无限假设空间的样本复杂度 Vapnik-Chervonenkis维 阅读全文

摘要： 1.贝叶斯信念网 区别于朴素贝叶斯，朴素贝叶斯假定属性独立于条件，贝叶斯信念网描述变量的一个子集上的条件独立（中间方法），可以用于在知道某些变量的值或分布时，计算网络中另一部分变量的概率分布 联合空间，联合概率分布 2.条件独立性 区别于朴素贝叶斯： 3.表示： parents是其直接前驱 4.贝叶 阅读全文

摘要： 极大后验：（MAP） 似然度：P（D|h) 极大似然： 蛮力法：计算所有假设的后验概率，找出最大的一个输出 VS,D，和D一直子集 阅读全文

摘要： sigmoid单元：阈值输出是输入的连续函数--挤压函数 导数： 反向传播算法： 误差： 缓解局部极小值： 1.增加冲量 2.使用不同的随机权值初始化每个网络 解决过度拟合: 1.训练数据 验证数据 2.小数据集 k-fold 交叉验证 其他可选误差和最小化过程 阅读全文

摘要： 感知器 分类超平面？ 感知器训练法则 要求线性可分，不是的话不能收敛 梯度下降和delta法则 曲面 单一全局最小值 最陡峭下降方向 训练误差 梯度：最陡峭上升方向 训练法则 调整：随着梯度下降减小学习速率 梯度下降随机近似: 下降步长小，不易陷入局部最优解 不用所有训练样本，改用单一 增量法则 阅读全文

摘要： 决策树：逼近离散值目标函数 适用问题：离散值分类 选择分类能力最好的属性根节点 度量： 熵 正例反例 同属于一类0，正=反 1 优选偏置，限定偏置 过度拟合：随机错误，噪声 数据太少 解决： 尽早停止树增长 修剪： 1.错误率降低修剪 2.规则后修剪 转换成规则 合并连续值属性 定义新属性，区间中值 阅读全文

摘要： 从训练样本归纳出定义 正例，反例，训练样例D，可能假设的集合H 假设数量：语法不同，语义不同 假设一般到特殊序 ≥g k是j子集 Find-S: 多个假设中的一个 初始化全反例 每个训练样本泛化到一致最特殊 不考虑反例 列表后消除算法： 列出所有消除反例 候选消除算法：与训练样例一直的所有假设集合， 阅读全文

摘要： 经验E， 任务T，性能P 设计一个学习系统 1.选择训练经验 属性：1.直接或间接反馈 2.学习器多大程度控制训练样例序列 （全部依赖，提出困惑，全新探索） 3.训练样本的分布与实际样本的是否相似 2.选择目标函数：西洋棋：最后的分数 3.选择目标函数的表示：线性函数，权重 4.逼近算法（学习算法） 阅读全文

摘要： 1.模拟死锁 2.网页请求全过程 3.脏读幻读 4.不可中断 5.TCP HTTP 格式 6.dns arp协议 7.进程的状态 8.进程和线程区别 9.线程崩溃原因 10.资源指？ 11.dns根服务器有几个 阅读全文