分享 机器学习基石笔记

最新推荐文章于 2025-11-20 20:21:55 发布
原创 最新推荐文章于 2025-11-20 20:21:55 发布 · 731 阅读 · 0 ·
CC 4.0 BY-SA版权
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。

本文总结了机器学习的核心概念和技术，包括机器为何能够学习及如何实现学习过程。内容覆盖了机器学习的基本原理与实践方法，适合初学者快速掌握机器学习的基础。

主要总结了why can machines learn 和 how can machines learn 两块

总结得很好

http://beader.me/mlnotebook/index.html

机器学习实践 学习笔记2 Classifying with k-Nearest Neighbors
游戏
08-23 6005
1.k-近邻算法（k-Nearest Neighbors,kNN） 工作原理： knn算法属于监督类型算法。首先我们有样本训练集，知道每一条数据的分类。继而，我们输入没有分类的新数据，将新数据的每个特征与样本集中的对应项进行比较，提前样本集中最相思的数据，这样我们可以获得该数据的分类。一般来说，我们只选择样本集中前k个最相似的数据，通常k不大于20.最后，选择k个相似数据中出现最多的分类，作为
LDA主题模型小结
游戏
10-16 3772
简述LDA 什么是LDA主题模型 主题分布与词分布 两点分布 二项分布 多项式分布 参数估计 极大似然估计 贝叶斯估计 共轭先验分布 形式化LDA 简述LDALDA涉及的知识很多，对于作者这样的菜鸟来说想要弄清楚LDA要费一番功夫，想简单说清更是不易，写下此文，也是希望在行文的过程中，把握LDA主要脉络，理顺思路。也希望我理解的方式与顺序，能帮到一部分初学的朋友。如果有不对的地方，也欢迎作出指正。什
机器学习基石笔记
Alter__的博客
09-16 428
一. 机器学习什么时候用 事物本身存在某种潜在规律 某些问题难以使用普通编程解决 有大量的数据样本可供使用 二. 机器学习的基本流程 x 表示输入 y 表示输出 f: x->y 表示目标函数。要得到，但是不知道的理想函数 D:{(x1,y1),(x2,y2),(x3,y3),…} 表示训练集or资料 H 表示假说，一个机器学习模型可有多个假设 g: x->y 从H中得到一个最好的假设，它对应的函数g与f很像，表示最终的实际函数 A 机器学习的核心演算法 机器学习的流程 示例： 三
机器学习笔记
最新发布
m0_54149550的博客
11-20 701
本文系统介绍了机器学习的核心概念和应用方法。首先明确了AI、ML和DL的层级关系，指出机器学习是让机器从数据中自动学习规律的方法。重点阐述了机器学习的三大基石（数据、算法、算力）和四大任务类型（监督学习、无监督学习、半监督学习、强化学习）。详细讲解了工业级建模的标准流程，包括数据获取、特征工程、模型训练与评估等关键步骤。深入剖析了KNN、线性回归、决策树等经典算法原理，以及集成学习方法。最后讨论了模型优化策略，包括处理过拟合和欠拟合的方法，强调奥卡姆剃刀原则。全文以黑马程序员的课程内容为基础，为读者提供了机
机器学习基石第五周笔记
qq_38184698的博客
09-09 407
机器学习需要完成两个问题： 1.Ein和Eout尽可能接近 2.Ein要小 对于M来说（M表示hypothesis的size），如果M太小，对于第一个问题是好的，因为我们犯错误的几率降低；然而对第二个问题就不好，因为这意味着我们hypothesis的选择变少了，那不一定能找到一个足够小的Ein。如果M太大，情况又会相反。所以我们M的大小挺重要。 PLA的M是无限大的（如二维平面有无数多...
林轩田 《机器学习基石》学习笔记
hello world
03-24 1239
参考资料： 除了redstone的笔记较好之外，还有豆瓣的https://www.douban.com/doulist/3381853/的笔记也比较好 -------------------------------------- 1. 什么时候机器可以学习？ 2. 为什么要要使用机器学习？ 3. 机器怎么可以学习到东西？ 4. 机器学习如何还能做的更好？ Lecture 1 The Learning Problem 豆瓣笔记：https://www.douban.com/note/3196361.
Coursera机器学习基石笔记week4
loserChen的博客
11-10 436
Feasibility of Learning Learning is Impossible？ 我们想要在D以外的数据中更接近目标函数似乎是做不到的，只能保证对D有很好的分类结果。机器学习的这种特性被称为没有免费午餐（No Free Lunch）定理。NFL定理表明没有一个学习算法可以在任何领域总是产生最准确的学习器。不管采用何种学习算法，至少存在一个目标函数，能够使得随机猜测算法是更好的算法。 ...
Coursera机器学习基石笔记Week1
loserChen的博客
10-27 352
The Learning Problem What is Machine learning？ machine learning： improving some performance measure with experience computed from data。 Key Essence of Machine Learning 存在潜在因素可以学习 so performance meas...
《机器学习基石》课程笔记（3）
nudt_oys的博客
11-04 550
Learning with Different Output Space YY 输出空间 实际应用 二元分类 Y={−1,+1}Y = \{ -1, +1 \}信用卡分发或不分发、识别垃圾邮件和非垃圾邮件、病人有病或没病、广告是否盈利、答案是否正确多元分类 Y={1,2,3,...,K}Y = \{ 1, 2, 3,..., K\} 手写字体分类、图片识别、垃圾邮件更详细的分类 回归 Y=RY =
机器学习基石笔记（八）：噪音和损失
the_harder_to_love的博客
04-25 1118
Lecture 8: Noise and Error 噪音和损失 噪音，概率目标，损失函数，以及带权重的模型
机器学习基石笔记（六）：泛化理论
the_harder_to_love的博客
04-22 1401
Lecture 6: Theory of Generalization 泛化理论 Bound Function 和 VC Bound
台大林轩田机器学习基石资源汇总 精炼笔记.zip
01-06
总结来说，《台大林轩田机器学习基石资源汇总》的精炼笔记全面覆盖了机器学习的基础理论、常用算法、模型评估与优化以及实践策略，对于想要深入理解和掌握机器学习的人来说是一份宝贵的参考资料。通过深入学习这些...
台湾大学机器学习基石手写笔记
07-07
大家好，我是Mac Jiang,今天和搭建分享的是台湾大学机器学习基石（Machine Learning Foundations）的个人笔记。个人觉得这门课是一门非常好的机器学习入门课程，值得初学者学习！这份笔记是本人一笔一划手写，扫描后...
机器学习实践 学习笔记3 decision trees
游戏
08-28 2209
决策树（decision trees） 工作原理： 决策树属于监督类型的算法，同样，我们有数据集，知道每一条数据的分类。然后我们按照某种规则，选取数据集上的特征作为分割点，把数据集进行划分。循环重复以上动作，直至所有数据集各自的分类都是唯一的，或者所有特征已经被选择无法再进行划分。使用何种规则进行特征的选取下文将会叙述。 优点：计算复杂度不高，输出结果易于理解，对中间值的缺失
机器学习实践 学习笔记4 naïve Bayes
游戏
08-30 1860
朴素贝叶斯（naïve Bayes） 工作原理： 朴素贝叶斯之所谓为“朴素”，是因为整个形式化过程只做最原始，最简单的假设。朴素贝叶斯是贝叶斯决策伦的一部分，贝叶斯决策伦的核心思想是： 选择具有最高概率的决策。 优点：在数据较少的情况下仍然有效，可以处理多类别问题 缺点：对于输入数据的准备方式较为敏感 适用数据类型：标称型数据 使用朴素贝叶斯进行文档分类：
机器学习基石学习笔记3 VC Dimension（1）
游戏
09-09 1637
上章我们提到了当Ein与Eout足够接近，且Ein很小时，我们就能说机器学习确实学到了东西。而Ein低与否，与A在hypothesis set中的选择密切相关。当hypothesis set中的可选h(x) 越多，就越有可能找到一个让Ein很小的h(x)，然而M太多，却又会导致出现bad data的概率增大，导致|Ein-Eout|>ϵ 还记得我们用了一个不等式来衡量bad data出现的概率：
机器学习基石学习笔记2 机器学习为什么可行
游戏
09-09 1225
机器学习中，我们从样本数据出发，最后推断出接近真实规律的g(x)。 那么由样本数据推断出的g(x)可以接近真实规律的理论依据是什么呢？我们可以从概率的角度去解决这个问题。 假设一个罐子(总体，bin)里面装满了两种不同颜色（orange，green）的小球。 假设P(orange) = u, P(green) = 1 - u
机器学习实践 学习笔记1 Machine learning basics
游戏
08-22 994
1.例子： 通过特征，预测鸟兽的种类。 2.分类： 有监督学习： 分类和回归。分类主要任务是将实例数据划分到合适的分类中。回归的主要任务是预测熟知类型数据。 监督学习类算法必须要知道预测什么。 无监督学习： 数据没有类别信息，也不会给定目标值。在无监督学习中，将数据集合分成由类似的对象组成的多个类的过程被称为聚类(clustering)。将寻找描述数据统计值的
台大林轩田教授的机器学习基石课程笔记
因此，我将根据标题和描述中提到的关键信息“机器学习基石笔记”以及“台湾大学林轩田教授”来生成相关的知识点。 ### 机器学习基石 机器学习是一门研究计算机如何通过数据和经验自动提升性能的学科。其基石部分...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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