机器学习
bubble_666
这个作者很懒,什么都没留下…
展开
-
Coursera台大机器学习课程笔记6 -- The VC Dimension
Coursera台大机器学习课程笔记6 -- The VC Dimension 本章的思路在于揭示VC Dimension的意义,简单来说就是假设的自由度,或者假设包含的feature vector的个数(一般情况下),同时进一步说明了Dvc和,Eout,Ein以及Model Complexity Penalty的关系。 一回顾 由函数B(N,k)的定义,可以得到比较松的转载 2014-11-20 23:42:56 · 440 阅读 · 0 评论 -
Coursera台大机器学习课程笔记7 -- Noise and Error
Coursera台大机器学习课程笔记7 -- Noise and Error 本章重点: 简单的论证了即使有Noise,机器依然可以学习,VC Dimension对泛化依然起作用;介绍了一些评价Model效果的Error Measurement方法。 一论证即使有Noisy,VC Dimension依然有效; 下图展示了主要思想,以前的数据集是确定的(Determini转载 2014-11-20 23:43:31 · 362 阅读 · 0 评论 -
coursera台大机器学习基础课程学习笔记2 -- 机器学习的分类
总体思路: 各种类型的机器学习分类 按照输出空间类型分Y按照数据标记类型分yn按照不同目标函数类型分f按照不同的输入空间类型分X 按照输出空间类型Y,可以分为二元分类,多元分类,回归分析以及结构化学习等,这个好理解,离散的是分类,连续的是回归,到是结构化的学习接触的相对较少,以后有空可以关注下。 按照数据标记分可以分为: 监督;非监督;半监督;增强学习; 下面这转载 2014-11-20 23:33:43 · 344 阅读 · 0 评论