【周志华机器学习】总目录

已于 2022-04-21 11:19:27 修改
阅读量5.6k 收藏 161
点赞数 15
分类专栏： 机器学习 文章标签： 机器学习 人工智能
于 2022-04-15 11:55:45 首次发布
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/weixin_42301220/article/details/124191550
版权
  1. 一、机器学习基本概念
  2. 二、比较检验–方差–偏差
  3. 三、线性模型
    梯度下降简单介绍
  4. 四、决策树
  5. 五、神经网络
    神经网络理解：前向传播与反向传播
    神经网络之CNN
    神经网络之RNN
    门控循环单元
  6. 六、支持向量机
  7. 七、贝叶斯分类器
  8. 八、集成学习
    XGBoost
    LightGBM
  9. 九、聚类
  10. 十、降维与度量学习
    kNN补充——近邻的距离度量
  11. 十一、特征选择与稀疏学习
  12. 十二、计算学习
  13. 十三、半监督学习
  14. 十四、概率图模型
  15. 十五、规则学习
周志华机器学习西瓜书 第八章 集成学习-学习笔记(超详细)
Sodas的博客
03-01 176
举个例子：假如集成学习器有9个个体，求的是集成学习错误率，即预测失败的概率。即在训练过程中每一轮中，根据样本分布为每个训练样本重新赋予一个权重，对无法接收带权样本的基学习算法，则可通过“重采样法”来处理，即在每一轮学习中，根据样本分布对训练集重新进行采样，再用重采样而得的样本集对基学习器进行训练。随机森林的训练效率常优于Bagging，因此在个体决策树的构建过程中，Bagging使用的是“确定型”决策树，在选择划分属性时要对结点所有的属性进行考察，而随机森林使用的“随机型”决策树则只需考察一个属性子集。
机器学习目录
不曾走远的博客
04-22 3237
在未来几个月时间里，将会逐步针对先前整理的博客文章进行分类归纳，并建立成为学习专栏区。内容将会重点从理论算法，推导过程，应用阶段，项目实战几个维度进行整理。内容会慢慢更新。 如下为整理的机器学习的查阅目录
GitHub | 周志华《机器学习》手推笔记正式开源！可打印版本附pdf下载链接
中科院AI算法工程师的博客
09-20 2267
点上方蓝字计算机视觉联盟获取更多干货在右上方···设为星标★，与你不见不散编辑：Sophia |联盟笔记计算机视觉联盟 报道 |公...
机器学习（周志华）算法目录
愿我善始善终
03-10 5779
第1章 1 第2章 模型评估与选择 23 2.1 经验误差与过拟合 23 2.2 评估方法 24 留出法 25 交叉验证法 26 自助法 27 2.3 性能度量 28 错误率与精度 29 查准率、查全率与F1 30 ROC与AUC 33 代价敏感错误率与代价曲线 35 2.4 比较检验 37 假设检验 37 交叉验证t检验 40 McNemar检验 41 Frie...
（西瓜书）机器学习（周志华）书目录
qq_41413211的博客
05-29 6836
需要资源请评论领取 1.机器学习概述 1.1.人工智能与机器学习 1.2.机器学习分类 1.3.机器学习应用 1.4.机器学习常用术语解释 2.模型的评估与选择 2.1.经验误差与过拟合 2.2.评估方法 2.3.性能度量 2.4.偏差与方差 3.线性回归 3.1.什么是回归 3.2.一元线性回归 3.3.多元线性回归 3.4.对数几率回归 3.5.线性判别分析（LDA） 3.6.多分类学习 3.7.类别不平衡问题 4.决策树 4.1.决策树概述 4.2.ID.
周志华-机器学习
liqq234的博客
05-03 7072
第一章 绪论 思维导图 关键问题 1.假设空间 概念 所有属性可能取值构成的假设集合 计算 列出可能的样本点，即特征向量 2.版本空间 概念 与训练集一致的假设集合 习题: 1.1 计算步骤 先列出假设空间 删除与正例不一致，与反例一致的假设 得到版本空间 第一步 假设空间： 色泽取值：青绿、乌黑 根蒂取值：蜷缩、稍蜷 敲声取值： 浊响、沉闷 1. 色泽 = *, 根蒂 = *, 敲声 = * 2. 色泽 = 青绿, 根蒂 = *, 敲声 = * 3. 色泽 = 乌黑, 根蒂 = *, 敲
《机器学习》-周志华版学习笔记目录
kabuto_hui的博客
12-01 1646
  原定于11月分完成周志华老师所著的《机器学习》的学习，并整理出学习笔记的计划，截至今天总算是基本完成了。中间出了一趟差，周内的还需要做一些项目上的工作，其实时间还是非常的紧的，所以每天基本是上是早上看书，下午项目，晚上总结笔记这样一个时间安排。有的时候真的是看不进去，也不理解，就想着算了吧，算了吧。但是想想飞逝的时间，就不禁产生了一种紧张感，就是这种紧张感让我硬着头皮看下去。   看书时常有不...
【机器学习】机器学习目录
小小小草儿的博客哟
08-19 1268
第一篇 机器学习基础篇第一章 线性模型1 普通线性回归2 广义线性模型3 逻辑回归4 线性判定分析第二章 决策树1 决策树基本原理与构建2 CART算法3 回归决策树4 分类决策树第三章 贝叶斯分类器1 贝叶斯定理与朴素贝叶斯2 高斯贝叶斯分类器3 多项式贝叶斯分类器4 伯努利贝叶斯分类器5 递增式学习第四章 K近邻法1 KNN算法2 KD树第五章 数据降维1 维度灾难与降维2 主成分分析（PCA）
周志华《机器学习》代码练习.zip
04-16
机器学习（ML)是计算机系统为了有效地执行特定任务，不使用明确的指令，而依赖模式和推理使用的算法和统计模型的科学研究。它被视为人工智能的一个子集。机器学习算法构建一个基于样本数据的数学模型，称为“训练...
《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。
周志华《机器学习》课后系统答案.zip
04-12
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的...
《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。
【目录】 机器学习（周志华）读书笔记和代码
lzbmc的博客
09-03 945
第1章 绪论 笔记：笔记（一）机器学习（周志华）第1章 绪论 （假设空间、版本空间） 第2章 模型选择和评估 笔记：笔记（二）机器学习（周志华）第2章 模型选择和评估 代码：【实战】第2章 模型选择和评估——交叉验证、分层采样的k折交叉验证、留一法 第3章 线性模型 笔记：笔记（三）机器学习（周志华）第3章 线性模型 代码：【实战】第3章 线性模型 -- 线性回归、对率回归（逻辑回归...
《机器学习篇》目录
aks23529的博客
03-28 176
《机器学习篇》 【机器学习：数据处理】 机器学习：数据处理：数据清洗 机器学习：数据处理：数据转换 机器学习：数据处理：数据降维 【机器学习：特征工程】 机器学习：特征工程：特征选择 机器学习：特征工程：特征提取 机器学习：特征工程：模型评估与选择 【机器学习：算法模型】 机器学习：算法模型：广义线性模型 机器学习：算法模型...
周志华《机器学习》课程系列笔记——目录导航页
Sinocifengs的博客
11-27 1375
最近自学机器学习课程，注意到了南京大学周志华老师的课程。我是在学堂在线平台观看的，注意到b站上也有相应视频，但b站上并未获得授权，随时有消失的可能。周志华老师的网络教学视频中，与其西瓜书相比确实少了一些内容。但幸运的是，缺失的内容实际上对于初学者来说并不会产生太大影响。目前这一笔记也遵循视频内容，相比西瓜书中也会有一些缺失，敬请谅解。可能以后如果有机会和时间，我会再阅读周志华老师的书籍将缺失内容补全。一切内容敬请关注我的个人Page页面。
机器学习 | 目录（持续更新）
侠的博客
08-17 2282
侠的机器学习笔记 使用博客来记录自己的机器学习过程，笔记是通过网络、书籍以及自我总结而成的。 本笔记分为三部分： 机器学习基础 监督学习算法 非监督学习算法 所有已完成的笔记都会发布到 CSDN Blog 上，感兴趣的小伙伴可以关注一下，我将会坚持更新机器学习以及深度学习的笔记。所有的笔记都是由 Jupyter Notebook 写成的，Notebook 可以在这个 Github 库内找到。 ...
机器学习-笔记目录
我
10-22 1150
先给出我用的资料 吴恩达的网课 《机器学习》 及配套的pdf。 周志华的西瓜书 《机器学习》 李航的 《统计学习方法》 斋藤康毅的 《深度学习入门》 学到哪里跟到哪里。 还是老规矩会把所有代码贴上来。 目前的情况有点混乱。 待定。。这周会系统整理出来 . . . . .. . . . . 进度条 吴恩达 视频学习——19/151 , pdf——0 西瓜——0 统计学习——0 深度—...
机器学习目录结构
y小川的专栏
04-02 734
前言：监督式学习 第一部分 线性回归 最小均方差算法(LMS algorithm) 正规方程组 2.1. 矩阵导数 2.2. 最小方差回顾 用概率论原理阐述最小均方差 局部权重线性回归 第二部分 分类和逻辑回归 逻辑回归 引申：感知机学习模型 最大化对数似然函数——牛顿方法 第三部分 广义线性模型 指数族函数 构造广义线性模型(GLM) 2.1. 普通均方差 2.2. 逻辑回归 2
周志华机器学习公式推导
最新发布
12-31
### 关于周志华《机器学习》中的公式推导 为了更好地理解周志华《机器学习》中的公式推导，可以从几个方面入手： #### 1. 掌握基础知识 确保具备足够的数学背景知识对于理解和掌握书中涉及的各种公式至关重要。这包括但不限于线性代数、概率论与统计学的基础概念[^3]。 #### 2. 阅读相关章节并跟随逻辑推理 每章开头通常会给出该部分的核心思想和目标，在阅读过程中应当注意作者是如何逐步引入新的知识点，并通过具体的例子或应用场景加深理解。当遇到复杂的定理证明时，建议先尝试自己思考其背后的原理再对照原文验证自己的想法是否正确[^4]。 #### 3. 参考其他资源辅助学习 如果觉得某些地方难以理解，则可以寻找额外的学习材料作为补充说明。例如，《机器学习》这本书在系列原创机器学习30讲的基础上进行了扩展，提供了详细的公式推导和代码实现案例，有助于更深入地了解各个算法的工作机制及其数学依据[^1]。 #### 4. 实践练习巩固所学内容 理论联系实际是提高编程能力和解决具体问题的有效途径之一。可以通过编写简单的程序来重现书中的实验结果或是参与开源项目贡献等方式积累经验。此外，“南瓜书”也是一份非常有价值的参考资料，它记录了许多人在自学过程中遇到的问题及解决方案，可以帮助读者克服难关成为更加优秀的开发者。 ```python import numpy as np def calculate_gradient(X, y, w): """ 计算梯度下降法中的梯度 参数: X (numpy.ndarray): 输入特征矩阵 y (numpy.array): 输出标签向量 w (numpy.array): 权重参数 返回: grad_w (numpy.array): 对w求偏导后的梯度值 """ N = len(y) predictions = 1 / (1 + np.exp(-X.dot(w))) error = predictions - y grad_w = (1/N) * X.T.dot(error) return grad_w ``` 此函数展示了如何基于给定的数据集计算逻辑回归模型中权重更新所需的梯度，这是许多机器学习教材都会讨论的一个典型实例。
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

打赏作者

CHH3213

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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