摘要：
本讲内容 1. VC dimension （Vapnik-Chervonenkis 维） 2. Model selection（模型选择） --cross validation（交叉验证） --feature selection（特征选择） 3. Bayesian statistics regula 阅读全文
摘要：
本讲内容 1. Bias/Variance trade-off （偏差-方差权衡） 2. Empirical risk minimization(ERM) （经验风险最小化） 3. Union Bound/ Hoeffding inequality （联合界/霍夫丁不等式） 4. Uniform c 阅读全文
摘要：
本讲内容 1. Kernels （核） 2. L1 norm soft margin SVM （L1 norm软边界SVM） 3. SMO algorithm （SMO算法） 1. 核函数K 首先回顾线性分类器SVM的原始优化问题 上一讲解出其对偶问题为 解出 我们可以将整个算法表示成内积的形式 由 阅读全文
该文被密码保护。 阅读全文
摘要：
本讲内容 1.Optional margin classifier（最优间隔分类器） 2.primal/dual optimization（原始优化问题和对偶优化问题）KKT conditions（KKT条件） 3.SVM dual （SVM的对偶问题） 4.kernels （核方法） 1.最优间隔 阅读全文
摘要：
本讲内容 1. Naive Bayes（朴素贝叶斯） 2.Event models（朴素贝叶斯的事件模型） 3.Neural network （神经网络） 4.Support vector machines（支持向量机） 1.朴素贝叶斯 上讲中的垃圾邮件问题有几个需要注意的地方： （1） 一个单词只 阅读全文
摘要：
本讲内容 1. Generative learning algorithms（生成学习算法） 2. GDA（高斯判别分析） 3. Naive Bayes（朴素贝叶斯） 4. Laplace Smoothing（拉普拉斯平滑） 1.生成学习算法与判别学习算法 判别学习算法：直接学习 或者学习一个假设 阅读全文
摘要：
本讲内容 1. Newton's method（牛顿法） 2. Exponential Family（指数簇） 3. Generalized Linear Models(GLMs)（广义线性模型） 1.牛顿法 假如有函数, 寻找使得 牛顿法的步骤如下： (1) initialize as some 阅读全文
摘要：
本讲内容： 1.locally weighted regression （局部加权回归算法） 2.Probabilistic interpretation of linear regression （线性回归的概率解释） 3.Logistic regression （逻辑回归算法） 4.Digres 阅读全文
摘要：
本讲内容： 1.linear regression(线性回归） 2.gradient descent（梯度下降） 3.normal equations（正规方程组） 首先引入一些符号： (1) 训练样本的数量 (2) 输入变量/ 输入特征 (3) 输出变量/ 目标变量 (4) 第i个训练样本 (5) 阅读全文