前言:监督式学习
第一部分 线性回归
第二部分 分类和逻辑回归
第三部分 广义线性模型
- 指数族函数
- 构造广义线性模型(GLM)
2.1. 普通均方差
2.2. 逻辑回归
2.3. Softmax 回归
第四部分 生成学习算法
- 高斯判别分析
1.1. 多项式普通分布
1.2. 高斯判别分析模型
1.3 讨论:高斯判别分析与逻辑回归 - 朴素贝叶斯
2.1. 拉普拉斯平滑
2.2. 文字分类的事件模型
第五部分 支持向量机
- 间隔的直观理解
- 标记符
- 函数约束和几何约束
- 最优间隔分类器(一)
- 拉格朗日对偶问题
- 最优间隔分类器(二)
- 核函数
- 正规化和线性不可分
- 顺序最小化(SMO)算法
9.1. 坐标上升算法
9.2. SMO
第六部分 学习理论
- 偏差和波动平衡
- 联合边界定理、霍夫丁不等式和经验误差最小化
- 有限假设集 H \mathcal{H} H
- 无限假设集 H \mathcal{H} H
- 正规化和模型选择
5.1. 坐标上升算法
5.2. 特征选择
5.3. 贝叶斯统计和正规化 - 感知器和大间隔分类器
第七部分 k-means 聚类算法
**第八部分 混合高斯模型和EM算法 **
第九部分 EM算法
- Jensen 不等式
- EM算法
- 回顾高斯混合模型
第十部分 因子分析
- Σ \Sigma Σ的约束
- 多元高斯分布的边缘分布和条件分布
- 因子分析模型
- EM算法应用于因子分析
第十一部分 主元素分析
第十二部分 独立元素分析
- 独立元素模糊
- 密度和线性变换
- 独立元素分析法
第十三部分 增强学习和控制
- 马科夫决策过程
- 值迭代与策略迭代
- 马科夫决策过程学习模型