【Mark Schmidt课件】机器学习与数据挖掘——概率分类

本课件主要内容包括：

1. 上次课程回顾：训练、测试与验证

2. 上次课程回顾：基本折中关系

3. 上次课程回顾：验证误差

4. 验证误差与最优化偏差

5. 交叉验证CV

6. 交叉验证伪代码

7. 最优机器学习模型

8. 应用：垃圾电子邮件过滤

9. 回顾有监督学习方法

10. 概率分类器

11. 基于贝叶斯准则的垃圾电子邮件过滤

12. 朴素贝叶斯方法

13. 朴素贝叶斯方法的训练过程

14. 朴素贝叶斯方法的预测过程

15. 回到决策树的问题

16. 交叉验证理论

17. 处理数据稀疏性

18. 高斯判别分析

一个关于“条件概率”演示的动态在线DEMO，挺有意思的，感兴趣的朋友可以访问该网站看看：http://setosa.io/ev/conditional-probability/

英文原文课件下载地址：

http://page2.dfpan.com/fs/clcjf2216291e6f3f35/

更多精彩文章请关注微信号：