得未曾有 心净踊跃

Traning data Testing data Train model步骤： 写出有未知数的function： y=fθ(x)y = f_{θ} (x)y=fθ​(x) 用Theta(θ)代表function中所有的未知数 input为feature define loss(function) from traning data loss is a function：L(θ)L(θ)L(θ) 输入为一组参数，loss function的作用为判断这一组参数好还是不好。.

第6章 支持向量机 6.1 间隔与支持向量 分类学习最基本的想法就是基于训练、集 D 在样本空间中找到一个划分超平面、将不同类别的样本分开 [P120] [P120] 其中 w = (w1;w2，…，wd) 为法向量，决定了超平面的方向; b为位移项，决定了超平面与原点之间的距离. [P121] 样本空间中任意点x到超平面(w, b)的距离 距离超平面最近的这几个训练样本点使式{wx + b >= +1或wx + b <= -1}的..

第5章 神经网络 5.1 神经元模型 神经网络中最基本的成分是神经元 (neuron)模型，即上述定义中的" 简单单元" [P96] 在生物神经网络中 1 每个神经元与其他神经元相连，当它"兴奋"时，就会 向 相连的神经元发送化学物质，从而改变这些神经元 内的电位;如果某神经元的电位超过了 一个"阔值"(threshold ) ， 那么它就会被激活 ? 即 "兴奋 "起来，向其他神经元发送化学物质. [P96] 神经元接收到来自n个其他神经元传递过来的输入信号，这些输入信号通过..

第4章 决策树 4.1 基本流程 决策树 (decision tree) 是一类常见的机器学习方法. [P72] 也称为“判定树” 决策树是基于树结构来进行决策的，这恰是人类在面临决策问题时一种很自然的处理机制. [P72] 西瓜问题的一棵决策树 [P72] 决策过程的最终结论对应了我们所希望的判定结果，例如"是"或"不是"好瓜; 决策过程中提出的每个判定问题都是对某个属性的"测试"，例如"色泽=?"“根蒂:?”; 每个测试的结果或是导出最终结论，或是导出进一步的判..

第3章 线性模型 3.1 基本形式 线性模型 (linear model)试图学得一个通过属性的线性组合来进行预测的函数。 [P52] 一般形式 由于 ω 直观表达了各属性在预测中的重要性，因此线性模型有很好的可解释’性 (comprehensibility) [P52] 3.2 线性回归 若将无序属性连续化，则会不恰当地引入序关系，对后续处理如距离计算等造成误导！ [P53] 例如属性“瓜类”的取值“西瓜”、“南瓜”、“黄瓜”可转化为(0,0,1),(0,..

第2章 模型评估与选择 2.1 经验误差与过拟合 错误率、精度 如果在 m 个样本中有 α 个样本分类错误，则错误率 E= α/m;相应的，1 - α/m称为”精度“； [P22] 误差(训练误差、泛化误差) 把学习器的实际预测输出与样本的真实输出之间的差异称为"误差" (error)；学习器在训练集上的误差称为"训练误差" (training error)或"经验误差" (empirical error)，在新样本上的误差称为"泛化误差" (generalization error). [P22]

第1章 绪论 1.1 引言 机器学习是一门学科 机器学习正是这样一门学科，它致力于研究如何通过计算的手段，利用经验来玫善系统自身的性能 [P0] 机器学习所研究的主要内容 是关于在计算机上从数据中产生"模型"(model) 的算法，即"学习算法" (learning algorithm). 有了学习算法，我们把经验数据提供给它，它就能基于这些数据产生模型;在面对新的情况时(例如看到一个没剖开的西瓜)，模型会给我们提供相应的判断(例如好瓜) . [P0] 1.2 基本术语 特征feature/属性at

[671原创，欢迎转载]     以下题均为杭电acm网页的题号 首页http://acm.hdu.edu.cn/ 题库入口http://acm.hdu.edu.cn/listproblem.php?vol=1 帮助http://acm.hdu.edu.cn/faq.php?lang=chs       此次培训主要锻炼同学们的算法学习，更重要的是锻炼同学们的自学能力，对于我们...