该课程介绍了机器学习的基础知识，包括ML简介、与数据挖掘、AI和统计的区别，以及perceptron线性分类器。课程深入讨论了ML的分类、PAC学习原理、VC维数、噪声和误差、线性回归与逻辑回归、多类别分类、非线性假设、正则化、交叉验证和模型选择等核心概念。此外，还探讨了何时、为什么及如何机器学习的问题，强调防止过拟合和学习原则。
第一周：ML简介、ML与DM/AI/Statistics的区别
第二周：perceptron线性分类器
第三周：从输入特征、输出空间、label状况、学习方式四方面对ML进行分类
第四周：PAC学习原理（尽量大的训练集D和有限的假设空间H）
第五-七周：'Shatter' and VC Dimension(打散和VC维度)（无限假设空间，但可以分为有限个不同类别的空间，即VC Dimension有限，D尽量大，则学到的model可以较好泛化到测试集）
百度百科：
VC维（Vapnik-Chervonenkis Dimension）的概念是为了研究学习过程
一致收敛的速度和推广性，由统计学理论定义的有关函数集学习性能的一个重要指标。
传统的定义是：对一个指示函数集，如果存在H个样本能够被函数集中的函数按所有可能的2的H次方种形式分开，则称函数集能够把H个样本打散；函数集的VC维就是它能打散的最大样本数目H。若对任意数目的样本都有函数能将它们打散，则函数集的VC维是无穷大，
最低0.47元/天 解锁文章
206
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
