学习笔记---机器学习技法

最新推荐文章于 2024-09-24 00:00:00 发布
最新推荐文章于 2024-09-24 00:00:00 发布
阅读量977 收藏 1
点赞数 1
分类专栏： 机器学习--学习笔记 文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chenxingwangzi/article/details/50245341
版权

上个月用了一个月的时间把台湾大学林教授的机器学习基石课程刷完了，现在开始刷这门课的后续课程，机器学习技法，这门课主要介绍了一些机器学习的常用算法，在此mark一下，此后会开一个专题，分享学习心得体验。
给大家几个传送门：机器学习技法，机器学习基石

晨星小子
关注
专栏目录
台湾大学林轩田机器学习笔记-机器学习技法，机器学习基石
04-29
麻烦改为1积分谢谢，台湾大学林轩田机器学习笔记，整理了台大老师的机器学习技法，机器学习基石的笔记代码
林轩田《机器学习技法》课程笔记7 -- Blending and Bagging1
08-03
林轩田教授的《机器学习技法》课程笔记7中探讨了两种重要的集成技术：Blending和Bagging。这两种方法属于Aggregation Models，旨在通过结合多个不同的假设（hypotheses）或基学习器（base learners）来构建更强的...
Coursera - 机器学习技法 - 课程笔记 - Week 14
支锦铭的博客
05-06 139
Radial Basis Function Network RBF Network Hypothesis 高斯核——径向基函数核 径向：依赖于样本x\bold xx到已知中心xn\bold x_nxn​的距离 基函数：可以被线性组合 令gn(x)=ynexp⁡(−γ∥x−xn∥2)g_n(\bold x) = y_n \exp (- \gamma \|\bold x - \bold x_n\|...
机器学习技法学习笔记-chapter01
gefeng1209的博客
02-27 255
1-1 Course Introduction 课程网址连接： Coursera：没找到 Bilibili：https://www.bilibili.com/video/av12469267 1-2 Large-Margin Separating Hyperplane 回顾一下linear classification，对于线性可分的情况，我们可以使用PLA/pocket算法在平面或者超平面...
Coursera - 机器学习技法 - 课程笔记 - Week 15
支锦铭的博客
05-06 152
Matrix Factorization Linear Network Hypothesis Netflix推荐问题： 对电影mmm，有用户nnn的评分rnmr_{nm}rnm​ x~n=(n), yn=rnm\bold {\tilde x}_n = (n),\ y_n = r_{nm}x~n​=(n), yn​=rnm​ 抽象特征，称之为类别特征 大部分ML模型都是处...
Coursera - 机器学习技法 - 课程笔记 - Week 1
支锦铭的博客
05-04 205
Linear Support Vector Machine Large-Margin Separating Hyperplane 线性可分情形 存在一个“解集” 哪个解是最优的？ PLA算法中随机得到 根据VC边界，每个解的效果都一样Eout(w)≤Ein(w)+Ω(H)E_{out}(\bold w) \le E_{in}(\bold w) + \Omega(\mathcal{H})Eou...
Coursera - 机器学习技法 - 课程笔记 - Week 7
支锦铭的博客
05-05 171
Blending and Bagging Motivation of Aggregation 集成模型：混合或者组合多个假设的结果得到最后的结果 Validation：选择最佳（最小验证误差）假设进行预测G(x)=gt∗(x)G(\bold x) = g_{t_\ast}(\bold x)G(x)=gt∗​​(x) 等权重叠加：G(x)=sign⁡(∑t=1T)1⋅gt(x)G(\bold x...
Coursera - 机器学习技法 - 课程笔记 - Week 11
支锦铭的博客
05-06 145
Gradient Boosting Decision Tree AdaBoost Decision Tree 将AdaBoost应用到DT：对数据加权，对加权数据学习DTree⁡(D,ut)\operatorname{DTree}(\mathcal D, \bold u^t)DTree(D,ut) 不像AdaBoost那样将算法进行加权修改？ 调整数据在数据集中出现的比例——按权重比例采样得到...
Coursera - 机器学习技法 - 课程笔记 - Week 10
支锦铭的博客
05-05 177
Random Forest Random Forest Algorithm Bagging：通过投票降低方差 DT：建树过程严重依赖数据——较大的方差 随机森林：bagging + 完全生成CART 使用bootstraping方法抽取数据集 利用这样的数据集建立多棵决策树 决策树结果投票决定最终结果 可以平行化学习：十分高效 继承下来CART的优势，并缓解了CART的高方差问题 类比数据...
Coursera - 机器学习技法 - 课程笔记 - Week 6
支锦铭的博客
05-05 179
Support Vector Regression Kernel Ridge Regression 类似对LR的处理，利用对最佳权重的表示理论，有： min⁡βλN∑n=1N∑m=1NβnβmK(xn,xm)+1N∑n=1N(yn−∑m=1NβmK(xn,xm))2 \min_\beta \frac \lambda N \sum_{n = 1}^N \sum_{m = 1}^N \beta_n...
Coursera - 机器学习技法 - 课程笔记 - Week 4
支锦铭的博客
05-05 156
Soft-Margin Support Vector Machine Motivation and Primal SVM仍然会过拟合——允许样本适当地违反“可分”要求，放弃对一些噪声样本的正确分类 pocket PLA允许错点，hard-margin要求全部分对 混合？允许错点的SVM 大margin+噪声容忍——用系数CCC进行权衡 只允许小错误 QP可优化问题（二次目标，一次约束） S...
林轩田《机器学习技法》课程笔记5 -- Kernel Logistic Regression1
08-03
【机器学习】 在机器学习领域，硬间隔支持向量机（Hard-Margin SVM）是一种基本的分类模型，它的目标是找到一个能最大程度地将不同类别数据分开的超平面，而不允许任何训练样本落在错误的一侧。然而，在实际问题中，...
林轩田《机器学习技法》课程笔记3 -- Kernel Support Vector Machine1
08-03
本节我们将探讨的是林轩田教授《机器学习技法》课程中的Kernel SVM，主要关注如何利用核技巧（Kernel Trick）来解决高维空间计算难题。 首先，SVM的对偶形式是一个二次规划问题，它允许我们在低维空间中进行高效的...
林轩田《机器学习技法》课程笔记9 -- Decision Tree1
08-03
在林轩田的《机器学习技法》课程中，第9节课主要讲解了决策树作为aggregation model的一种——conditional类型。aggregation model旨在通过组合多个较优的hypothesis来构建更强大的预测模型。 在aggregation type中...
ML 系列：机器学习和深度学习的深层次总结(08)—欠拟合、过拟合，正确拟合
gongdiwudu的专栏
09-23 555
在有监督学习过程中，对于指定数据集进行训练，训练结果存在欠拟合、过拟合的情况，这两个情况都对模型的泛化是不利的，本篇对监督学习的训练的泛化问题进行解释。
cuda与机器学习
2303_77224751的博客
09-19 1744
CUDA是由NVIDIA开发的并行计算平台和编程模型，允许开发者利用支持CUDA的NVIDIA GPU来加速计算密集型任务。CUDA提供了扩展的C/C++语言，以及用于在GPU上执行并行计算的API。线程线程块线程的集合：线程块是多个线程的集合，组成一个可在 GPU 上执行的基本调度单元。线程块索引：通过 、、 获取线程块的索引。线程块大小：通过 、、 获取线程块的维度大小。全局线程索引：结合线程块索引和线程索引，可以计算线程在整个网格中的全局索引。 网格 线程块的集合：网格是线程块的集合，用于组
计算机毕业设计Hadoop+PySpark深圳共享单车预测系统 PyHive 共享单车数据分析可视化大屏 共享单车爬虫 共享单车数据仓库 机器学习 深度学习
最新发布
全网粉丝100W+、全栈领域优质创作者、B站、github、CSDN等社区技术专家、专注于高端精品毕业项目源码实战
09-24 1216
计算机毕业设计Hadoop+PySpark深圳共享单车预测系统 PyHive 共享单车数据分析可视化大屏 共享单车爬虫 共享单车数据仓库 机器学习 深度学习
python 实现area under curve曲线下面积算法
luthane的博客
09-23 616
Area Under Curve”（AUC）曲线下面积算法主要用于衡量二元分类模型的性能，特别是在机器学习和统计中。AUC 主要与 ROC（Receiver Operating Characteristic）曲线相关联，ROC 曲线是一种图形化方法，用于展示在不同分类阈值下真正例率（TPR，也称为灵敏度或召回率）与假正例率（FPR）之间的关系。AUC 则是 ROC 曲线下的面积，用于量化分类器的性能。AUC 的计算方法AUC 的计算方法有几种，但核心思想都是基于 ROC 曲线上的点。
林轩田机器学习技法：连接Soft-Margin SVM与Kernel Logistic Regression
在林轩田的《机器学习技法》课程笔记中，第五节着重探讨了Kernel Logistic Regression与Soft-Margin Support Vector Machines (SVM)的关系。在第一节课中，已经提及了Hard-Margin SVM与正则化模型之间的关联，正则化...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值