机器学习-周志华-笔记

最新推荐文章于 2024-09-10 16:46:52 发布
最新推荐文章于 2024-09-10 16:46:52 发布
阅读量83 收藏
点赞数
分类专栏： 机器学习 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/mistyzcc/article/details/116082433
版权
本文介绍了机器学习的基础概念，包括分类（如监督学习和无监督学习）、假设空间（所有可能假设的集合）以及归纳偏好。归纳偏好强调在选择模型时应遵循简单性原则，如奥卡姆剃刀，并指出所有学习算法在预期性能上并无显著差异，即“没有免费午餐”定理。理解这些概念对于有效应用机器学习至关重要。
摘要由CSDN通过智能技术生成

文章目录

第一章绪论

1.2基本术语

分类：监督学习（supervised learning）【分类和回归】和无监督学习（unsuprised learning）【聚类】

1.3假设空间

假设空间是所有假设集合；
版本空间是假设空间中训练集的集合

1.4归纳偏好

可以使用“奥卡姆剃刀”
“没有免费午餐”定理（NFL）：所有学习算法的期望性能跟随机胡猜差不多
所以使用机器学习的时候，要考虑具体范围，同时考虑归纳偏好

mistyzcc
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
《机器学习-周志华》学习笔记
10-17
为了训练一个真正有效、优化的模型，需要学习一下机器学习的理论知识。周志华的教材非常经典，但概念较多，特别是前两章，在学习中作了笔记，现分享出来，希望能有帮助。
机器学习-西瓜书笔记汇总1
08-03
1绪论傍晚小街路面上沁出微雨后的湿润，和熙的细风吹来，抬头看看天边的晚霞，嗯，明天又是一个好天气。走到水果摊旁，挑了个根蒂蜷缩、敲起来声音浊响的青绿西瓜，一边满
周志华《机器学习》学习笔记（大全）
03-06
本文为周志华《机器学习》的学习笔记，记录了本人在学习这本书的过程中的理解思路以及一些有助于消化书内容的拓展知识，笔记中参考了许多网上的大牛经典博客以及李航《统计学习》的内容，向前辈们和知识致敬！
《机器学习(周志华)》学习笔记.pdf
05-12
138页的内容，完整记录了学周志华西瓜书《机器学习》16个篇章的学习和体会。
《机器学习》 周志华 学习笔记.zip
04-08
机器学习涵盖了许多不同的算法，用于解决各种类型的问题。以下是一些常见的机器学习算法： 监督学习算法：线性回归（Linear Regression）逻辑回归（Logistic Regression）决策树（Decision Trees）随机森林（Random...
【机器学习】朴素贝叶斯网络的基本概念以及朴素贝叶斯网络在python中的实例
ya的博客
09-06 1488
概率推断的自动化在医疗领域具有巨大的潜力，可以辅助医生做出更准确和高效的决策。然而，它不应完全取代人类医生，而是作为一个辅助工具，结合医生的专业知识和临床经验，共同提升医疗服务的质量和效率。
生成对抗网络（GAN网络）
qq_1532145264的博客
09-07 553
Generative Adversarial Nets
【机器学习】3——logistic（逻辑斯谛）回归
qq_43507078的博客
09-04 568
logistic回归，最大熵模型
【机器学习】4 ——熵
qq_43507078的博客
09-07 1057
信息熵
【人工智能学习笔记】3_1 机器学习基础之机器学习概述
RIKI_1
09-07 495
定义：通过技术的手段，利用已有的数据（经验）开发可以用来对新数据进行预测的模型主要方向：1.基于学习方式的划分；2.基于学习策略的划分基于学习方式的划分：根据输入的数据是否需要进行标注进行划分有监督学习有监督学习的过程输入数据：为“训练数据”，每组训练数据有明确标识学习过程：将预测过程与“训练数据”的实际结果进行比较，不断调整预测模型，直到模型预测结果达到一个预期的准确率应用场景：分类、回归。
机器学习：opencv图像识别--图片运算、边界、阈值处理、平滑处理
纸上得来终觉浅
09-04 1685
opencv图像识别--图片运算、边界、阈值处理、平滑处理
GAN 干！！！！
qq_56618414的博客
09-07 1194
自监督学习(Self-supervised learning) 旨在对于无标签数据 ，通过设计 辅助任务（Proxy tasks） 来挖掘数据自身的表征特性作为监督信息，来提升模型的特征提取能力（PS：这里获取的监督信息不是指自监督学习所面对的原始任务标签，而是构造的辅助任务标签）。D 的训练过程：从真实数据分布和噪音变量的先验分布中采样数据，用 value function 训练一个二分类的分类器，但分类器输出的概率一直是 1 / 2 --> D 什么都分不出来 --> 分布是重合的。
机器学习-神经网络：循环神经网络（RNN）详解
loveting99的博客
09-07 479
循环神经网络（RNN）及其变种在深度学习领域中扮演着至关重要的角色。其设计初衷是为了处理时序数据和序列数据，这使得它们在许多应用场景中表现卓越。
深度学习--对抗生成网络（GAN, Generative Adversarial Network）
GDHBFTGGG的博客
09-07 1193
对抗生成网络（GAN）是近年来在生成式模型领域的重要突破，通过生成器与判别器的对抗博弈，GAN能够生成高度逼真的数据。其应用范围广泛，涵盖了图像生成、数据增强、超分辨率重建、风格迁移等多个领域。然而，GAN的训练过程具有挑战性，特别是在平衡两者的对抗关系上仍然存在技术难题。随着技术的不断发展，GAN在生成数据、创造内容等方面的应用前景将更加广阔。
【机器学习】隐马尔可夫模型的基本概念和应用领域以及在NLP中如何实现（含python代码）
ya的博客
09-09 1329
确定HMM中的隐藏状态（如词性、实体类型）和观测（如单词、字符）。HMM在NLP中的应用非常广泛，但由于其假设状态转移和观测生成是条件独立的，这在某些情况下可能限制了其性能。随着深度学习技术的发展，虽然HMM在某些任务上已被更复杂的模型（如循环神经网络、长短期记忆网络和变换器模型）所取代，但HMM仍然是理解序列数据和概率模型的重要工具。
机器学习-------数据标准化
最新发布
yanminghe66666的博客
09-10 525
在做训练时，需要先将特征值与标签标准化，可以防止梯度防炸和过拟合；将标签标准化后，网络预测出的数据是符合标准正态分布的—StandarScaler()，与真实值有很大差别。因为StandarScaler()对数据的处理是（真实值-平均值）/标准差。同时在做预测时需要将输出数据逆标准化提升模型精度：标准化 / 归一化使不同维度的特征在数值上更具比较性，提高分类器的准确性。提升收敛速度：对于线性模型，数据归一化使梯度下降过程更加平缓，更易正确的收敛到最优解。
Cadenza 项目：机器学习如何改善听力受损人士的音乐聆听体验
声纹感知 洞察芯声
09-10 897
在本文中，我们描述了Cadenza项目：挑战方法首次应用于改善听力损失者音乐音质的问题。报告了两个挑战，主要区别在于第一个挑战（CAD1）是用于通过耳机收听，而第二个挑战（ICASSP24），是用于通过扬声器收听。任务目标是对立体声音乐信号进行分解，然后进行重混，因为这样的系统可以帮助解决已知的音乐收听和听力损失问题。
人工智能与机器学习原理精解【16】
基础数学与物理学
09-04 1240
概率空间模型由三部分组成：样本空间、事件和概率。样本空间（Sample Space）：表示所有可能结果的集合，通常用大写字母Ω或S表示。样本空间中的每个元素称为样本点。事件（Event）：是样本空间的一个子集，表示某种特定的结果或结果的组合。事件可以是单个样本点，也可以是多个样本点的集合。概率（Probability）：是一个将事件映射到实数的函数，表示该事件发生的可能性。概率的取值范围在0到1之间，其中0表示事件不可能发生，1表示事件必然发生。联合分布是对单一随机变量概率分布的自然拓展。
人工智能与机器学习原理精解【17】
基础数学与物理学
09-04 1408
首先，我们回顾条件概率的定义。对于两个事件A和B，条件概率P(A|B)表示在事件B发生的条件下，事件A发生的概率。PA∣BPA∩BPBPA∣BPBPA∩B​其中，PA∩BPA∩B表示事件A和B同时发生的概率，PBP(B)PB表示事件B发生的概率。贝叶斯定理的公式推导是从条件概率的定义出发，通过联合概率的两种分解方式得到的。设事件BBB可以由互不相容（即两两之间不能同时发生）的事件A1A2AnA1​A2​An​。
《机器学习》 周志华学习笔记第十四章 概率图模型 python实现
05-17
下面是一些笔记和代码示例。 ## 概率图模型的基本概念 概率图模型是一种用于表示和处理不确定性的图形化模型，它能够将一个复杂的联合概率分布表示为多个简单的条件概率分布的乘积形式，从而简化概率推理和模型...
评论
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