第一章:
- 什么是机器学习?
- 画图简述机器学习一般做法
- 什么是统计学习?
- 样本(示例)
- 属性
- 属性空间/样本空间/输入空间
- 维数
- 学习
- 训练数据
- 假设
- 真相
- 学习器
- 标记
- 样例
- 分类
- 回归
- 测试
- 监督学习VS无监督学习
- 泛化
- 假设空间
- 版本空间
- 归纳偏好
- 为什么模型需要有归纳偏好?
- 归纳偏好VS特征工程
- 奥卡姆剃刀
- 没有免费午餐定理
- 归纳学习
- 机械学习
- 深度学习
- 为什么深度学习近年来热起来?
- 数据挖掘
- 数据挖掘与机器学习有什么关系
- 大数据时代三大关键技术是?分别解释其用途
第二章
- 错误率
- 精度
- 误差
- 训练误差/经验误差
- 泛化误差
- 测试误差
- 欠拟合VS过拟合
- 为什么说欠拟合不可避免,只能缓解?
- 留出法
- 交叉验证法
- 自助法
- 超参数
- 混淆矩阵
- 查准率
- 查全率
- P-R图是怎么画的?怎么根据P-R图选择不同的学习器?
- F1度量
- 度量,其中贝塔的含义是