【知识索引】【李宏毅机器学习】

最新推荐文章于 2024-07-13 14:17:18 发布

置顶 BkbK-

最新推荐文章于 2024-07-13 14:17:18 发布

阅读量1.5k

点赞数 11

分类专栏：知识索引学习笔记文章标签：机器学习人工智能深度学习李宏毅知识图谱

本文链接：https://blog.csdn.net/blackingz/article/details/113802673

版权

89 篇文章 23 订阅

订阅专栏

6 篇文章 1 订阅

订阅专栏

5 篇文章 1 订阅

订阅专栏

本文概述了李宏毅教授的机器学习课程核心内容，包括机器学习简介、回归模型的建立与优化、误差分析、梯度下降的策略与理论，以及概率生成模型在分类问题中的应用。深入探讨了偏差与方差、模型选择、学习率调整、随机梯度下降等关键概念，并介绍了如何处理过拟合与欠拟合。

摘要由CSDN通过智能技术生成

李宏毅机器学习知识索引

本文为【李宏毅机器学习】知识索引

在这里插入图片描述

一、回归(Regression)的定义
- 1.Regression: Output a scalar
- 2.Example of Regression
二、回归的实现(机器学习的步骤)
- Step 1: define a set of function - Linear Model
- Step 2: goodness of function - Loss Function
- Step 3: pick the best function - Gradient Descent
三、回归的优化
- 1.Select another model 选择另一个模型
- 2.Consider the hidden factors 考虑其他隐藏因素
- 3.Regularization 正则化

在这里插入图片描述

一、Bias & Variance 偏差和方差
- 1.误差的来源
- 2.偏差和方差的理解
- 3.偏差和方差出现的原因
- 4.模型的偏差和方差
二、What to do with error 误差的处理
- Bias v.s. Variance 偏差和方差对比
- 1.Large bias - underfitting偏差大 - 欠拟合
- 2.Large variance - Overfitting 方差大 - 过拟合
三、Model Selection模型的选择
- 1.Cross Validation 交叉验证
- 2.K-fold Cross Validation k折交叉验证

在这里插入图片描述

一、梯度下降方法
二、梯度下降的改进方法
- Tip 1: Tuning your learning rates 调整学习率
- Tip 2: Stochastic Gradient Descent 随机梯度下降
- Tip 3: Feature Scaling 特征缩放
三、Gradient Descent Theory梯度下降的数学理论
四、梯度下降的限制

在这里插入图片描述

在这里插入图片描述

（未完待续…）

关注