机器学习进步

傅于宴

目录

  • 1 绪论
    • 1.1 假设空间
    • 1.2 NFL定理推导
  • 2 模型评估与选择
    • 2.1 PR指标的扩展
    • 2.2 ROC与AUC
    • 2.3 非均等代价
    • 2.4 偏差-方差分解
  • 3 线性模型
    • 3.1 对率回归求解
    • 3.2 线性判别分析
    • 3.3 线性判别分析的多类推广
    • 3.4 纠错输出码
    • 3.5 类别不平衡
  • 4 番外篇
    • 4.1 机器学习的学派
  • 5 决策树
    • 5.1 连续值的处理
    • 5.2 缺失值的处理
    • 5.3 从“树”到“规则”
    • 5.4 多变量决策树
  • 6 支持向量机
    • 6.1 软间隔SVM
    • 6.2 正则化
    • 6.3 如何使用SVM？
    • 6.4 表示定理
    • 6.5 核方法
  • 7 神经网络
    • 7.1 BP算法推导
    • 7.2 标准BP与累积BP
    • 7.3 全局最小和局部极小
    • 7.4 其他常见神经网络模型
    • 7.5 深度神经网络
    • 7.6 深度神经网络的诀窍
  • 8 贝叶斯分类器
    • 8.1 贝叶斯分类器与贝叶斯学习
    • 8.2 半朴素贝叶斯分类器
    • 8.3 贝叶斯网
    • 8.4 典型依赖关系
    • 8.5 分析条件独立性
    • 8.6 结构学习
    • 8.7 推断
    • 8.8 EM算法
  • 9 集成学习
    • 9.1 学习器的结合
    • 9.2 Stacking
    • 9.3 选择性集成
    • 9.4 多样性度量
    • 9.5 多样性增强常用策略
  • 10 聚类
    • 10.1 k均值聚类
    • 10.2 学习向量量化
    • 10.3 高斯混合聚类
    • 10.4 DBSCAN
    • 10.5 层次聚类
  • 11 阅读
    • 11.1 阅读
  • 12 调查问卷
    • 12.1 调查问卷
高斯混合聚类
  • 1 视频
  • 2 章节测验