本文概述了机器学习的基本概念，包括概率理论、不同类型的机器学习方法、关键要素如泛化和正则化，以及具体应用如线性回归（包括多项式扩展和最小二乘法的局限性）、SGD和降维策略。还介绍了线性回归的概率解释和模型选择中的‘偏差-方差’分解，以及一些常用定理。
2.1 概率基本知识
2.2 机器学习的定义
2.3 机器学习类型
2.4 机器学习要素
2.5 泛化与正则化
2.6 线性回归
线性模型中的b可以通过将w增加一维即可消除。
最小二乘法要求xxT存在逆矩阵，这个条件有时候不满足，因此最小二乘法不是总适用。改进的方法是SGD和降维方法。
2.7 多项式回归
2.9 线性回归的概率视角
2.9 模型选择与“偏差-方差”分解
2.10 常用的定理
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
