越努力，越幸运

Landslide-sensitivity-mapping

以下为周志华老师《机器学习》（西瓜书）各章节知识点总结而成的大型思维导图。 该思维导图侧重概念了解，未涉及模型数学原理。如有深入学习需求，请详读相关书籍。 尊重知识产权，转载请注明出处。......

一、最大似然 二、EM算法 三、EM算法推导 + EM算法的应用等

最大似然法（源自他人博客 两篇综合版）

1.贝叶斯法则 2.先验概率和后验概率 3.贝叶斯公式 4.极大后验假设 5.极大似然假设 6.举例

推荐给初学LSTM或者懂个大概却不完全懂的人：http://blog.youkuaiyun.com/u014422406/article/details/52806430https://www.zhihu.com/question/24627666核函数：https://www.zhihu.com/question/24627666（第二个回答佳）核函数的作用就是隐含着一个从低维空间到高维空间

强文！看懂数据探索，完整指导！https://mp.weixin.qq.com/s?__biz=MjM5MDI1ODUyMA==&mid=2672938920&idx=1&sn=b7a4af768e70d9480010a032159eaf5a&chksm=bce2eb9f8b9562894231254bc78de8e0388df414987fb4b587a81c3b290a9b0922ae08

专访 | 杨强教授谈CCAI、深度学习泡沫与人工智能入门https://mp.weixin.qq.com/s?__biz=MzAwNDI4ODcxNA==&mid=2652245155&idx=1&sn=d4526f25c26c360f754684e69f3255b0&chksm=80cc9506b7bb1c102500f84c507abd1f5c7b85ce958d0c821f227a86c

理论Hunt算法是许多决策树算法的基础，包括ID3、C4.5和CART 增益率（gain ratio）：如决策树算法C4.5，采用增益率的划分标准来评估划分 树剪枝tree-pruning：决策树过大容易过拟合overfitting，通过树剪枝（修剪初始决策树的分支），减小决策树的规模，提高决策树的泛化能力 分类模型的误差：训练误差（training error）、泛化误差（generalization error）。一个好的分类模型不仅要能够很好地拟合训练数据，还需对未知样本进行准确的分类。

属性可以是标称的、二元的、序数的或数值的 分位数：取自数据分布的每隔一定间隔上的点。如，2-分位数（对应中位数）将数据分布划分为高低两半，4-分位数将数据分布划分为4个相等部分。 四分位数极差：第一个和第三个四分位数之间的距离。 方差与标准差：度量数据散布程度，低标准差——数据观测趋向均值，高标准差——数据散布在一个大的值域中 截尾均值trimmed mean：丢弃高低极端值（避免丢弃太多）后的均值 中列数midrange：最大值和最小值的平均值 正倾斜、负倾斜极差：最大值与最小值之差

零碎知识很多数据分析技术，如回归和PCA，都具有O(m2)或更高的时间或空间复杂度（m为对象个数） 不同类型的聚类：层次（嵌套）/划分（非嵌套）聚类，互斥/重叠/模糊聚类，完全/部分聚类。层次聚类：允许簇有子簇 划分聚类：得到不重叠子簇 互斥聚类：各个簇互斥 重叠聚类：如既是学生又是员工，同属于多个簇 模糊聚类：每个对象用0和1之间的隶属权值属于每个簇【即 簇被视为模糊集——模糊集中，每个对象以0和1之间的权值属于任一集合】 完全聚类：每个对象指派到一个簇 部分聚

博客园@yif25https://www.cnblogs.com/yifdu25/p/8202811.html什么是超参数所谓超参数，就是机器学习模型里面的框架参数，。在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。比如聚类方法里面类的个数，或者话题模型里面话题的个数等等，都称为超参数。它们跟训练过程中学习的参数（权重）是不一样的，通常是手工设定，不断试错调整，或者对一系...

作者：hellpppp链接：https://www.jianshu.com/p/7f3502cf9cae来源：简书注意：评论中有人指出，这是特征选择方法，我也布吉岛鸭附：特征提取VS特征选择https://wenku.baidu.com/view/517e175d905f804d2b160b4e767f5acfa0c78363.html嵌入（embed）：学习算法中本来就包含有...