参考书籍
1.统计学习方法(第2版)李航
非常牛的一本书,每一个算法背后的数学原理,公式推导都讲得非常明白、仔细。如果期末时间紧或者想要快速入门直接看懂这本书就够了!
2.机器学习实战 美 Peter Harrington
2021级的教材用书,这本书更多地是在介绍如何用python实现机器学习的一些算法,理论部分介绍的有点少,因此有的时候会感觉为什么要这样做,建议配合上一本书使用效果更佳。
这位博主知识点总结得非常详尽,也可以好好看看。
https://blog.csdn.net/TeFuirnever/article/details/99701256
3.用Python动手学机器学习 日 伊藤真
这本书是苏老师推荐的,但是感觉他的重点更多地放在了python上,前面话大篇幅介绍了python的一些基础知识,所以没看完。但是苏老师推荐的必然有其过人之处,建议时间充裕的话可以看看。
4.机器学习西瓜书 清华大学
机器学习入门的必看书目了感觉,但是非常惭愧也只看了一点点。原因一个是觉得很多例子是为了和西瓜相靠拢而靠拢,还有一个是不知道我是不是在z-lib上下载到盗版了,有的内容看起来怪怪的。
5.机器学习基础教程 英 Simon Rogers
机器学习 美 Tom Mitchell
这两本书也都是苏老师推荐的,但是下载之后完全没看...我的错。
综上,如果想得高分,想快速入门机器学习最推荐统计学习方法这本书,思维逻辑的严密性,推理过程的严谨性,酣畅淋漓。
参考网课
1.bilibili 机器学习白板推导系列
20级很多学长学姐的强烈推荐,刚开始看的时候感觉会很难懂,多看几遍或者多往下看几个视频就会渐入佳境。
2.卡耐基梅隆大学 CMU 机器学习课程
B站和MOOC都可以看,(btw,21级作业也是CMU的作业),讲的非常非常好!除了英文授课英文字幕其余都完美,就当英语阅读和听力材料了hhh
做作业时参考的网上资料
21级的作业是CMU的作业,可github搜索CMU 10601看到作业题。因此以下整理的参考资料只是知识点的补充,类似熵,信息增益怎么计算之类的,并不是作业原题的答案。所有资料仅供参考。
1.HW2
决策树:https://zhuanlan.zhihu.com/p/334990248
熵,互信息:https://blog.csdn.net/qq_40530463/article/details/128159539
代码实现:https://blog.csdn.net/qq_38262266/article/details/90401385
2.HW3
线性分类、感知机:https://www.yuque.com/bystander-wg876/yc5f72/wlpxt9
3.HW6
PAC:https://zhuanlan.zhihu.com/p/344386947
MLE,MAP:https://zhuanlan.zhihu.com/p/32480810
朴素贝叶斯:https://zhuanlan.zhihu.com/p/26262151
4.补充一
矩阵求导,分子布局,分母布局:https://zhuanlan.zhihu.com/p/263777564
矩阵求导数学推导:https://zhuanlan.zhihu.com/p/288541909
牛顿法求解Logistic回归:https://zhuanlan.zhihu.com/p/422541118
Logistic回归python实现:https://blog.csdn.net/m0_50117360/article/details/109123656
5.补充二
高斯混合模型(GMM):https://zhuanlan.zhihu.com/p/30483076
隐马尔可夫模型(HMM):https://www.cnblogs.com/pinard/p/6945257.html
希望以上可以帮助大家少走弯路,而多享受机器学习的数学推导过程!如果有更多更好的学习资料推荐,欢迎大家补充在评论区,我们一起友好交流!