《机器学习》随心记-周志华版 绪论

        这学期,将学习周志华老师的《机器学习》这本书,一周两章,每章我都会做上一点笔记,笔记或多或少,或工整或潦草,一切根据我当时的时间和心情而定,简单的定义或者易理解的知识我可能附上定义甚至不写,不懂的地方会特别强调指出。所以这个学习系列我称为《机器学习》随心记。

       整个随心记的每章由两部分组成,一个是我阅读时产生的问题,我会在解决后在博客的评论或者再编辑解答相应问题;另一个就是基础知识定义以及我对个别定义公式的理解。如果有错误,欢迎指正!如果有需要交流的同志,可以联系Q122643224~附上CSDN学习交流。

 

第一部分

产生的问题:

P8 公式(1.1)的推导?

P8 左下角,附注里,为什么有一般不一致这样一个结论?

 

 第二部分

第一章  绪论

由于学习过统计学习方法,整个第一章对我来说难度不是很大,全章以定义概念居多。

 

P1

模型:泛指从数据中学得的结果。

P2

数据集:一组记录的集合

样本:数据集中的一条记录是关于一个事件或者一个对象

属性或特征:反应事件或对象在某方面的而表现或性质

属性值:属性上的取值。

属性空间、样本空间、输入空间:属性张成的空间。

特征向量:样本空间的每个点对应一个坐标向量,称为一个样本的特征向量。

训练集:训练样本组成的集合。

标记:示例结果的信息。

样例:拥有了标记信息的示例,称为样例。

P3

标记空间,输出空间,Y是所有标记的集合,称为标记空间。

分类和回归:

测试样本:被预测的样本。

聚类,簇

监督学习和无监督学习:

独立同分布:

P4

归纳和演绎

P5

假设空间:把学习过程看作一个在所有假设组成的空间中进行搜索的过程,搜索的目标是找到与训练集匹配的假设,即能够将训练集中的瓜判断正确的假设。

版本空间:可能有多个假设与训练集一致,即存在一个与训练集一致的假设空间。

P6

归纳偏好:机器学习算法再学习过程中对某种类型假设的偏好

P7

奥卡姆剃刀:若有多个假设与观察一致,则选择最简单的那个

P8

理解式(1.1)

左边即误差之合

右边是先计算非训练集的样本误差之和,再计算和与产生该假设的乘积,每个假设再求和。

(1.1理解有问题,详细解答见第一部分问题)

 

P9

NFL定理:

P10-P13:发展历程

P13-P18:应用现状

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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