机器学习课程 by Xia Hong
文章平均质量分 84
洌泉_就这样吧
Less is more.
展开
-
【机器学习课程】目录
【机器学习课程】这个系列是对英国雷丁大学Xia Hong教授的课件进行学习,讲义链接是http://www.personal.rdg.ac.uk/~sis01xh/teaching/CSMML16/Machine%20Learning%20Lecture%20Notes.htm,具体的课程内容包括:Lesson 1 引言(Introduction)Lesson 2 向量和矩阵积分(Vector/Matrix calculus)Lesson 3 高斯函数和密度估计的最大似然函数(Maximum lik原创 2021-05-26 16:38:19 · 236 阅读 · 0 评论 -
【机器学习课程】k近邻和k-means聚类
1 最近邻规则给定集合包含n对数,(x1,t1)(\bold x_1,t_1)(x1,t1), …,(xn,tn)(\bold x_n,t_n)(xn,tn),其中xi\bold x_ixi为实数,t_i属于集合{1,…,M}\{1,…,M\}{1,…,M},每个xi\bold x_ixi是同一测量规则得到的iiith个独立量,而每个tit_iti是对应的样本类别上述规则可以简称为:xi\bold x_ixi属于类别tit_iti对于其中一个样本x\bold xx,可以给它从{1,…原创 2021-05-27 20:37:18 · 528 阅读 · 0 评论 -
【机器学习课程】高斯分布
1 概率密度函数对于一个连续的概率密度方程,p(x)p(x)p(x),满足下列特性:处理a和b两点之间的x满足:P(a<x<b)=∫abp(x)dxP(a<x<b) = \int_a^b p(x)dxP(a<x<b)=∫abp(x)dx对于所有实数x,其值是非负的概率函数的积分为1,即有:∫∞∞p(x)dx=1\int_\infty^\infty p(x)dx=1∫∞∞p(x)dx=1扩展到向量x\bold xx,可以有非负的p(x)p(\bold x原创 2021-05-26 22:13:39 · 411 阅读 · 0 评论 -
【机器学习课程】向量和矩阵微积分
在神经网络中,经常遇到一系列变量分析问题向量和矩阵微积分是单个变量微积分的延申1 向量梯度向量梯度:令g(w)g({ \bold w})g(w)为一个m个变量的可微数值函数,其中w=[w1,…,wm]T{ \bold w}=[w_1,\dots,w_m]^Tw=[w1,…,wm]T由此可以得到g(w)g({ \bold w})g(w)的梯度,采用g的偏微分形式:∇g=∂g∂w=(∂g∂w1⋮∂g∂wm){\nabla g}=\frac{\partial g}{\partial \bold w}原创 2021-05-26 17:21:31 · 330 阅读 · 0 评论 -
【机器学习课程】lesson 1-引言
1 几个重要概念在数据中寻找模式是基础性问题,拥有悠久且成功的历史例如,16世纪,大量的天文学观测让Kepler发现了行星运动的经验规律模式识别领域关注规则的自动发现,这是通过使用计算机,这些规则的发现可以用于很多方面,例如数据分类我们现在正在进入大数据时代,数据分析的自动化手段是急需的,这也是机器学习所能够提供的过去二十多年来,在机器学习的实际应用已有大量的增长,例如,在计算机视觉,信号分析,面部识别,语义识别,网络搜索引擎,网络安全性,生物信息处理(DNA数据),工业条件检测,控制系统,等等原创 2021-05-26 10:57:17 · 118 阅读 · 2 评论