Richard Wang的专栏

最近在接触学习ML的一些东西，看了Androw 的视频和deep learning的东西，

0、前言1、

0、前言接下来打算按照Andrew公开课视频以及Pattern Recognition and Machine Learning（PRML）书中的内容，总结下学到的东西。本文主要讲的是监督学习中最常见的线性回归和逻辑回归算法，以及他们的regularization。在我看来Andrew的视频更偏向与实际的使用和实现，用最简单的方式告诉你是怎么去完成实现的，而PRML更多的是数学公式

<img

0、前言1、什么是Support Vector Machine(SVM)2、SVM的求解——拉格朗日对偶问题上面的等价的优化方程的拉格朗日函数为于是我们现在的目标函数变为：0}\textit{L}(\omega ,b,a)=p^{*}" alt="">调换min和max可以得到

0、前言SVM 一直被认为是效果最好的现成可用的分类算法之一（其实有很多人都相信，“之一”是可以去掉的）。这里“现成可用”其实是很重要的，因为一直以来学术界和工业界甚至只是学术界里做理论的和做应用的之间，都有一种“鸿沟”，有些很 fancy 或者很复杂的算法，在抽象出来的模型里很完美，然而在实际问题上却显得很脆弱，效果很差甚至完全 fail 。而 SVM 则正好是一个特例——在两边都混得开

本文由 伯乐在线 - programmer_lin 翻译自 Jason Brownlee。欢迎加入技术翻译小组。转载请参见文章末尾处的要求。这是一篇很难写的文章，因为我希望这篇文章能对学习者有所启发。我在空白页前坐下，并且问自己了一个很难的问题：什么样的库、课程、论文和书籍对于机器学习的初学者来说是最好的。文章里到底写什么、不写什么，这个问题真的让我很烦恼。我必须把自己当做