斯坦福大学公开课：机器学习课程（Andrew Ng）——1、整体看一看

最新推荐文章于 2022-09-09 20:10:30 发布

mmc2015

最新推荐文章于 2022-09-09 20:10:30 发布

阅读量3.8k

点赞数

分类专栏：《Machine Learning，Andrew Ng》

本文链接：https://blog.csdn.net/mmc2015/article/details/42341653

版权

本课程详细介绍了机器学习的基础概念，包括监督学习、无监督学习的主要方法。在监督学习中，讲解了线性回归、逻辑回归、神经网络、支持向量机等，而在无监督学习中，讨论了K-Means聚类、混合高斯模型、因子分析和主成分分析等。此外，还涵盖了强化学习的基本原理和算法，如马可夫决策过程、值迭代和策略迭代。

摘要由CSDN通过智能技术生成

============================================================================【课程综述】============================================================================
第一课时：
   机器学习的定义【 The Definition of Machine Learning】
   本课程的四部分内容：
       1）监督学习【The Overview of Supervised Learning】
       2）学习理论【The Overview of Learning Theory】
       3）无监督学习【The Overview of Unsupervised Learning】
       4）强化学习【The Overview of Reinforcement Learning】
============================================================================【监督学习】============================================================================
==================================【监督学习：Linear Regression】======================================================
第二课时：
   *线性回归【Linear Regression】：LMS(least mean squares) algorithm
   *（批量/随机=增量）梯度下降【Batch/Stochastic=Incremental Gradient Descent】
   *常用矩阵符号定义【Matrix Derivative Notation for Deriving Normal Equations】
   *标准方程推导【Derivation of Normal Equations】
第三课时：
   线性回归的概率解释【The Probabilistic Interpretation of Linear Regression】：LMS~=~MLE(least-squares regression corresponds to finding the maximum likelihood estimate of theta)
   *局部加权线性回归【Locally Weighted Linear Regression】：如何定义权重使距离预测点近的样本贡献大，远的样本贡献小。
   欠拟合和过拟合【Underfitting and Overfitting】
   参数化和非参数化算法【Parametric Algorithms and Non-parametric Algorithms】：Linear Regression是参数化算法；Locally Weighted Linear Regression是非参数化算法
==================================【监督学习：Classification and Logistic Regression】==================================
   *Logistic回归【Logistic Regression】
   感知器【 Perceptron】
第四课时：
   *牛顿方法（找最值）【Newton's Method】
========