周志华《机器学习》课程系列笔记——目录导航页

最新推荐文章于 2023-01-30 20:59:34 发布
最新推荐文章于 2023-01-30 20:59:34 发布
阅读量1.3k 收藏 4
点赞数 1
分类专栏： 机器学习 文章标签： 决策树 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Mu_Xiaoye/article/details/128070598
版权
这是一份详细记录南京大学周志华老师机器学习课程的学习笔记，涵盖了模型评估、选择，线性模型，决策树，支持向量机等核心概念。笔记遵循视频内容，同时也包括了贝叶斯分类器和集成学习的介绍。笔记可供免费下载，作者保留了自制图表的所有权，并提供了非盈利使用的许可。笔记预计在2022年12月底前完成更新。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

周志华《机器学习》课程系列笔记

说明：Introduction：最近自学机器学习课程，注意到了南京大学周志华老师的课程。我是在学堂在线平台观看的，注意到b站上也有相应视频，但b站上并未获得授权，随时有消失的可能。
周志华老师的网络教学视频中，与其西瓜书相比确实少了一些内容。但幸运的是，缺失的内容实际上对于初学者来说并不会产生太大影响。目前这一笔记也遵循视频内容，相比西瓜书中也会有一些缺失，敬请谅解。可能以后如果有机会和时间，我会再阅读周志华老师的书籍将缺失内容补全。
一切内容敬请关注我的个人Page页面。
About Me:点击进入我的Personal Page

由于之前区块链课程笔记严重受到ShenHe因素影响，本次机器学习的笔记内容不再在优快云平台出现，这里仅给出笔记目录。
实际观看请至我的个人Page页面下载pdf文件查看。

若在我的个人Page上没有看到部分，说明还尚未完成更新，请等待即可。该笔记从2022年10月底开始编写，预计最晚12月底前可以完成更新（按照目前进度可能会提前完成），欢迎关注。

笔记中若存在缺陷和不足，欢迎批评指正！

目录：

《机器学习》第一章【绪论】

  • 基本术语
  • 归纳偏好
  • NFL定理

《机器学习》第二章【模型评估与选择】

  • 泛化能力
  • 三大问题
  • 评估方法
  • 性能度量
  • 比较检验

《机器学习》第三章【线性模型】

  • 线性回归
  • 最小二乘法
  • 多元(Multi-variate)线性回归
  • 广义线性模型
  • 对率回归（用回归做分类）
  • 对率回归求解
  • 类别不平衡(class-imbalance)
  • 其他属性划分准则

《机器学习》第四章【决策树】

  • 决策树基本流程
  • 信息增商(Information Gain)划分
  • 其他属性划分准则
  • 决策树的剪枝
  • 缺失值的处理

《机器学习》第五章【支持向量机SVM】

  • 支持向量机基本型
  • 对偶问题和解的特性
  • 求解方法
  • 特征空间映射
  • 核函数(kernel function)
  • 如何使用支持向量机

《机器学习》第六章‘【神经网络】

  • 神经网络模型
  • 万有逼近能力
  • BP算法推导

《机器学习》第七章【贝叶斯分类器】

  • 贝叶斯决策论(Bayesian Decision Theory)
  • 生成式和判别式模型
  • 贝叶斯分类器和贝叶斯学习
  • 极大似然估计
  • 朴素贝叶斯分类器

《机器学习》第八章【集成学习与聚类】

  • 集成学习
  • 好而不同
  • 两类常用集成学习方法
  • Boosting
  • Bagging
  • 多样性度量

说明

笔记内容仅供学习使用吗，且可以免费下载，任何其他商用行为均与本人无关。
笔记内容为本人完全独自更新，本人在编写过程中为了便于理解会绘制一些图以便于理解，本人对此保有所有权。本人自制的图可免费用于非盈利性用途，如博客、笔记等，无需本人同意，但商用等盈利性行为请与本人进行联系许可。

周志华机器学习西瓜书 第八章 集成学习-学习笔记(超详细)
Sodas的博客
03-01 174
举个例子：假如集成学习器有9个个体，求的是集成学习错误率，即预测失败的概率。即在训练过程中每一轮中，根据样本分布为每个训练样本重新赋予一个权重，对无法接收带权样本的基学习算法，则可通过“重采样法”来处理，即在每一轮学习中，根据样本分布对训练集重新进行采样，再用重采样而得的样本集对基学习器进行训练。随机森林的训练效率常优于Bagging，因此在个体决策树的构建过程中，Bagging使用的是“确定型”决策树，在选择划分属性时要对结点所有的属性进行考察，而随机森林使用的“随机型”决策树则只需考察一个属性子集。
机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总
ZhangPY的专栏
02-28 7103
《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Neural Networks: An Overview》 介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最
周志华《Machine Learning》学习笔记（17）--强化学习
VAY-长跑
07-20 3万+
上篇主要介绍了概率图模型，首先引出概率图模型的基本概念；接着分别介绍了隐马尔可夫模型、马尔可夫随机场、条件随机场、精确推断方法以及LDA模型：HMM围绕着评估/解码/学习三个问题展开论述；MRF基于团和势函数来定义联合概率分布；CRF引入两种特征函数对状态序列进行打分；变量消去与信念传播在给定联合分布后计算边际分布；LDA话题模型则试图去推断给定文档所蕴含的话题分布。本篇将介绍最后一种学习算法--强化学习。
读书笔记：《机器学习》周志华
houjing1990的博客
03-05 2278
《机器学习》周志华 第一章：绪论 泛化能力：学到模型适用于新样本的能力。衍生：泛化误差 归纳偏好：算法在机器学习过程中对某种假设的偏好 “奥卡姆剃刀”原则：若有多个假设与观察一致，则选最简单的那个 NFL定理：没有免费的午餐。算法没有优劣好坏，针对具体问题具体分析 第二章：模型评估与选择 2.1经验误差与过拟合P23 过拟合：为了得到一致假设而使假设变的过度复杂。模型过度拟合，在训
【周志华机器学习】总目录
weixin_42301220的博客
04-15 5644
一、机器学习基本概念 二、比较检验–方差–偏差 三、线性模型 四、决策树 五、神经网络 神经网络理解：前向传播与反向传播 六、支持向量机 七、贝叶斯分类器 八、集成学习 XGBoost LightGBM 九、聚类 十、降维与度量学习 kNN补充——近邻的距离度量 十一、特征选择与稀疏学习 十二、计算学习 十三、半监督学习 十四、概率图模型 十五、规则学习 ...
机器学习目录
weixin_34320724的博客
02-05 96
Kmeans算法 交叉熵（Cross-Entropy） 随机梯度下降（Stochastic gradient descent）和 批量梯度下降（Batch gradient descent ）的公式比较 "sample","batch"和"epoch"都是啥意思？？ 转载于:https://www.cnblogs.com/tangbaofang/p/8416117.html...
（西瓜书）机器学习（周志华）书目录
qq_41413211的博客
05-29 6829
需要资源请评论领取 1.机器学习概述 1.1.人工智能与机器学习 1.2.机器学习分类 1.3.机器学习应用 1.4.机器学习常用术语解释 2.模型的评估与选择 2.1.经验误差与过拟合 2.2.评估方法 2.3.性能度量 2.4.偏差与方差 3.线性回归 3.1.什么是回归 3.2.一元线性回归 3.3.多元线性回归 3.4.对数几率回归 3.5.线性判别分析（LDA） 3.6.多分类学习 3.7.类别不平衡问题 4.决策树 4.1.决策树概述 4.2.ID.
机器学习(Machine Learning)&深度学习(Deep Learning)资料
weixin_30756499的博客
07-07 1万+
##机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1)---#####注:机器学习资料[篇目一](https://github.com/ty4z2008/Qix/blob/master/dl.md)共500条,[篇目二](https://github.com/ty4z2008/Qix/blob/master/dl2.md)开始更新...
深度学习FPGA实现基础知识6(Deep Learning（深度学习）学习资料大全及优快云大牛博客推荐)
热门推荐
时间的诗
06-06 3万+
需求说明：深度学习FPGA实现知识储备 来自：时间的诗 第一部分：博客大牛（深度学习方向） 1、http://blog.youkuaiyun.com/zouxy09 研究方向：机器学习、计算机视觉、人机交互和人工智能等领域 作品：Deep Learning（深度学习）学习笔记整理系列 网友评价：深入浅出、条理清晰、内容全面、适合反复阅读 2、h
【目录】 机器学习（周志华）读书笔记和代码
lzbmc的博客
09-03 945
第1章 绪论 笔记：笔记（一）机器学习（周志华）第1章 绪论 （假设空间、版本空间） 第2章 模型选择和评估 笔记：笔记（二）机器学习（周志华）第2章 模型选择和评估 代码：【实战】第2章 模型选择和评估——交叉验证、分层采样的k折交叉验证、留一法 第3章 线性模型 笔记：笔记（三）机器学习（周志华）第3章 线性模型 代码：【实战】第3章 线性模型 -- 线性回归、对率回归（逻辑回归...
周志华《机器学习》个人笔记
Toby的博客
02-02 6426
这本书比较像导论性质，整体给你介绍下机器学习领域有哪些研究分支，以及这些研究分支中成熟的经典算法。 这本书虽然也有算法描述，但这些算法都是实现底层机器学习算法的，如果没有编程基础或者现在主流的分布式编程的思想，想要直接自己动手据此写代码还是比较困难的。如果你想找的是直接上手coding的实践应用类的书籍，这本书可以放一放，等你先上手了再来。不是这本书难，其实它讲的东西都很简单，只是纯粹的它不是实践类的书籍。 它能给你打下的是不错的概念基础。让你整体认识下机器学习的门道。让你跟专业的人对话的时候，on t
周志华《机器学习》学习笔记（大全）
03-06
本文为周志华《机器学习》的学习笔记，记录了本人在学习这本书的过程中的理解思路以及一些有助于消化书内容的拓展知识，笔记中参考了许多网上的大牛经典博客以及李航《统计学习》的内容，向前辈们和知识致敬！
机器学习目录结构
y小川的专栏
04-02 734
前言：监督式学习 第一部分 线性回归 最小均方差算法(LMS algorithm) 正规方程组 2.1. 矩阵导数 2.2. 最小方差回顾 用概率论原理阐述最小均方差 局部权重线性回归 第二部分 分类和逻辑回归 逻辑回归 引申：感知机学习模型 最大化对数似然函数——牛顿方法 第三部分 广义线性模型 指数族函数 构造广义线性模型(GLM) 2.1. 普通均方差 2.2. 逻辑回归 2
周志华机器学习笔记（一）
Mai_Dreizehn的博客
04-27 2047
2 模型评估与选择 2.2 评估方法 2.2.1留出法 留出法直接将数据集D划分为两个互斥的集合，其中一个集合作为训练集S，另一个作为测试集T。在S上训练出模型后，用T来评估其测试误差，作为对泛化误差的估计。 注意：训练/测试集的划分尽可能保持数据分布的一致性，避免因数据划分过程引入额外的偏差而对最终结果产生影响。常见做法是将大约2/3~4/5的样本用于训练，剩余样本用于测试 2.2.2...
周志华-机器学习
liqq234的博客
05-03 7064
第一章 绪论 思维导图 关键问题 1.假设空间 概念 所有属性可能取值构成的假设集合 计算 列出可能的样本点，即特征向量 2.版本空间 概念 与训练集一致的假设集合 习题: 1.1 计算步骤 先列出假设空间 删除与正例不一致，与反例一致的假设 得到版本空间 第一步 假设空间： 色泽取值：青绿、乌黑 根蒂取值：蜷缩、稍蜷 敲声取值： 浊响、沉闷 1. 色泽 = *, 根蒂 = *, 敲声 = * 2. 色泽 = 青绿, 根蒂 = *, 敲声 = * 3. 色泽 = 乌黑, 根蒂 = *, 敲
【机器学习】第一章 - 机器学习概论 - 周志华机器学习笔记
星辰不问
07-13 1468
【机器学习】第一章 - 机器学习概论 - 周志华机器学习笔记
机器学习（周志华）学习笔记（一）
coral_55u的博客
03-19 1586
学习教材： 机器学习（周志华） 学习内容： 一、绪论 1.1 基本术语 数据集： 示例：关于一个事件或对象的描述。（Xi） 特征向量： 样本的维数：用于描述一个样本的属性个数。 标记：关于示例结果的信息。（Yi） 样例：标记信息的示例。 聚类：将训练集分成若干组。 泛化能力：学得模型适用于新样本得能力。 分类任务与回归任务的区别：分类任务用于预测离散值，回归任务用于预测连续值。 监督学习和无监督学习的区别：训练数据是否拥有标记信息。其中分类和回归是监督学习的代表，聚类是无监督学
周志华 机器学习 读书笔记
weixin_39915444的博客
09-03 642
分类(classification): 预测的是离散值, 比如“好瓜” “坏瓜”。 回归(regression): 预测的是连续值, 例如西瓜成熟度“0.79", "0.95"。 泛化(generalization): 学得模型适用于新样本的能力，称为"泛化" (generalization)能力. 数据挖掘(data mining): 从海量数据中发掘知识. ，数据库领域的研究为数据挖掘提...
周志华《机器学习初步》学习笔记
m0_72326819的博客
01-30 208
读周志华《机器学习初步》有感
周志华机器学习全部课程
最新发布
05-10
周志华教授的机器学习课程包括以下内容： 1. 机器学习基础：概率论，统计学，线性代数等数学基础知识； 2. 监督学习：K近邻，决策树，朴素贝叶斯，感知机，支持向量机，神经网络等算法； 3. 无监督学习：聚类，降维，概率密度估计等算法； 4. 半监督学习：半监督聚类，半监督分类等算法； 5. 强化学习：马尔可夫决策过程，值迭代，策略迭代等算法； 6. 深度学习：深度神经网络，卷积神经网络，循环神经网络等算法。 以上是周志华教授机器学习课程的主要内容，该课程在学术界和工业界都有很高的声誉。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值