《机器学习基石》笔记系列

最新推荐文章于 2019-04-20 23:53:46 发布

置顶

Eathen_Zheng

最新推荐文章于 2019-04-20 23:53:46 发布

阅读量402

点赞数

分类专栏： Machine_Learning 台大-机器学习文章标签： Machine_Learning

本文链接：https://blog.csdn.net/Eathen_Zheng/article/details/79679524

版权

这篇博客是对Coursera上国立台湾大学林轩田教授的‘机器学习基石’课程的笔记整理。课程涵盖了机器学习的基础理论，包括学习问题、二元分类、机器学习可行性、一般化理论、VC维、噪声与错误、线性回归等内容。博主计划以通俗易懂的方式分享所学，并提供每节课的详细笔记链接。

摘要由CSDN通过智能技术生成

前言

“机器学习基石”是 Coursera 上一门关于机器学习的课程，由国立台湾大学的老师林轩田讲授。该课程一共有16节课，主要介绍了机器学习领域的基础理论知识。

授课大纲

课程的大纲如下，以下的每个小项目对应到约一小时的课程：

When Can Machines Learn? [何时可以使用机器学习]
– The Learning Problem [机器学习问题]
– Learning to Answer Yes/No [二元分类]
– Types of Learning [各式机器学习问题]
– Feasibility of Learning [机器学习的可行性]

Why Can Machines Learn? [为什么机器可以学习]
– Training versus Testing [训练与测试]
– Theory of Generalization [举一反三的一般化理论]
– The VC Dimension [VC 维度]
– Noise and Error [噪声时错误]

How Can Machines Learn? [机器可以怎么样学习]
– Linear Regression [线性回归]
– Linear Soft Classification [软性的线性分类]
– Linear Classification beyond Yes/No [二元分类以外的分类问题]
– Nonlinear Transformation [非线性转换]

How Can Machines Learn Better? [机器可以怎么样学得更好]
– Hazard of Overfitting [过度训练的危险]
– Preventing Overfitting I: Regularization [避免过度训练一：控制调适]
–