本文主要介绍了机器学习中的一些基础算法，包括线性回归、逻辑回归、支持向量机等有监督学习方法，以及聚类算法等无监督学习方法。文中还详细解释了损失函数、梯度下降等核心概念，并探讨了正则化技术。此外，文章还涉及到了一些优化方法如牛顿法、共轭梯度法等。
损失函数、梯度下降
（吴恩达笔记 1-3）——损失函数及梯度下降 （写的很好）
线性回归、梯度下降 最小二乘法构建损失函数打开链接
机器学习中的损失函数 （公式不全）
常见的几种最优化方法（梯度下降法、牛顿法、拟牛顿法、共轭梯度法等）（共轭梯度法再找资料）
共轭梯度（CG）算法 (未看完)
机器学习中的范数规则化之（一）L0、L1与L2范数 机器学习中的范数规则化之（二）核范数与规则项参数选择 (这两篇写的很好) 正则化和归一化
评价标准
方差（variance）、标准差（Standard Deviation）、均方差、均方根值（RMS）、均方误差（MSE）、均方根误差（RMSE）
机器学习-----线性回归浅谈（Linear Regression）（写的比较细）
hard k-means and soft k-means （未看）
四种主流聚类方法 （未看）
回归
MongoDB
pymongo的常用操作 pymongo操作2 pymongo操作3 pymongo操作4
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
