ydl1128的博客

机器学习周志华学习笔记-第16章<强化学习>

机器学习周志华学习笔记-第15章<规则学习>

选择一个参数化的概率分布。

机器学习周志华学习笔记-第13章＜半监督学习＞

机器学习周志华学习笔记-第12章＜计算学习理论＞

机器学习周志华学习笔记-第11章＜特征选择与稀疏学习＞

机器学习周志华学习笔记-第10章

机器学习周志华学习笔记-第9章

正如我们根据过去的经验来判断明天的天气，吃货们希望从购买经验中挑选一个好瓜，那能不能让计算机帮助人类来实现这个呢？机器学习正是这样的一门学科，人的“经验”对应计算机中的“数据”，让计算机来学习这些经验数据，生成一个算法模型，在面对新的情况中，计算机便能作出有效的判断，这便是机器学习。P：计算机程序在某任务类T上的性能。T：计算机程序希望实现的任务类。E：表示经验，即历史的数据集。若该计算机程序通过利用经验E在任务T上获得了性能P的改善，则称该程序对E进行了学习。

机器学习周志华学习笔记-第2章<模型的评估与选择>

即其。

机器学习周志华学习笔记-第7章<贝叶斯分类器>

机器学习周志华学习笔记-第6章

机器学习周志华学习笔记-第5章<神经网络>

机器学习周志华学习笔记-第3章<线性模型>

机器学习周志华学习笔记-第4章<决策树>

线性回归是机器学习中最基础且广泛使用的回归算法之一，用于预测因变量（目标变量）和一个或多个自变量（特征变量）之间的线性关系。它通过找到一条最佳拟合直线，最小化数据点与直线之间的误差来进行预测。yβ0β1x1β2x2⋯βnxnϵyβ0​β1​x1​β2​x2​⋯βn​xn​ϵ( y ) 是目标变量（因变量）。x1x_1x1​x2x_2x2​\dotsxnx_nxn​) 是自变量（特征变量）。

一、机器学习常用库1. Scikit-learn简介：一个基于Python的机器学习库，专注于经典的机器学习算法。特点：提供了多种分类、回归、聚类和降维算法。具有统一的API，便于使用。集成了数据预处理、模型选择和评估等功能。应用：用于教育、数据分析和快速原型开发。2. NumPy简介：用于科学计算的Python库，支持大规模的多维数组和矩阵。特点：提供了许多数学函数来操作数组。高性能，适合进行数值计算。应用：数值计算和数据处理的基础库，常用于机器学习前的数据处理

机器学习和深度学习各有分类和算法，各自适用于不同的问题。机器学习在特定任务上相对简单、易于解释，但在处理复杂模式时可能表现不佳；而深度学习通过复杂的模型能够处理高维数据，但训练成本高且需要大量数据。选择适当的算法和方法，基于具体的应用场景和数据特点，可以更好地实现问题的解决。