06 2017 档案

（笔记）斯坦福机器学习第十讲--特征选择
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
posted @ 2017-06-30 16:36 madrabbit 阅读(1434) 评论(0) 推荐(0)
（笔记）斯坦福机器学习第九讲--经验风险最小化
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
posted @ 2017-06-29 17:32 madrabbit 阅读(5722) 评论(1) 推荐(3)
（笔记）斯坦福机器学习第八讲--顺序最小优化算法
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
posted @ 2017-06-29 10:16 madrabbit 阅读(722) 评论(0) 推荐(0)
生成式对抗网络（Generative Adversial Nets）
该文被密码保护。
posted @ 2017-06-28 09:13 madrabbit 阅读(3) 评论(0) 推荐(0)
（笔记）斯坦福机器学习第七讲--最优间隔分类器
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
posted @ 2017-06-10 09:38 madrabbit 阅读(1339) 评论(0) 推荐(0)
（笔记）斯坦福机器学习第六讲--朴素贝叶斯
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
posted @ 2017-06-07 19:34 madrabbit 阅读(1174) 评论(0) 推荐(0)
（笔记）斯坦福机器学习第五讲--生成学习算法
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
posted @ 2017-06-03 15:02 madrabbit 阅读(2755) 评论(0) 推荐(0)
（笔记）斯坦福机器学习第四讲--牛顿法
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
posted @ 2017-06-02 09:29 madrabbit 阅读(730) 评论(0) 推荐(0)