机器学习 周志华

最新推荐文章于 2024-07-23 16:44:14 发布
最新推荐文章于 2024-07-23 16:44:14 发布
阅读量2k 收藏 10
点赞数
文章标签： 机器学习 算法 人工智能
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_43977590/article/details/124523037
版权

第一章 绪论

  一.基本概念

   1.引言

   2.基本术语

在这里插入图片描述
在这里插入图片描述
二分类
多分类
回归
无监督学习
在这里插入图片描述

   3.假设空间

在这里插入图片描述
在这里插入图片描述

   4.归纳偏好

在这里插入图片描述

   5.

第二章 模型评估与选择

   1.一种训练集一种算法

在这里插入图片描述

    （1）经验误差与过拟合

在这里插入图片描述

    （2）评估方法[训练集验证集与测试集]

在这里插入图片描述

      ①泛化能力+tranning set训练集

在这里插入图片描述

     ②traning set测试集保留方法：留出法，交叉验证法，自助法

在这里插入图片描述

在这里插入图片描述

     ③validation set验证集

在这里插入图片描述

    （3）性能度量[具体公式]
      ①
    
    
    
    

   5.

   5.

   5.

   5.

第三章

第四章

第五章

第六章

第七章

第八章

第九章

第十章

第十一章

第十二章

第十三章

zerohero007001
关注
  • 0
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
周志华-机器学习
qq_40452782的博客
02-02 74
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
周志华《机器学习》聚类
zzmmhxs的博客
03-18 194
聚类试图将数据集中的样本划分为若干个通常是不相交的子集，每个子集成为一个簇，通过这样的划分，每个簇可能对应于一些潜在的概念（类别），如本地瓜、外地瓜等，但是和分类不同的是，分类是先有本地瓜和外地瓜两个类别，需要判断特定的某个瓜是哪个类；但是聚类是一堆瓜放在一起，先聚类成了两类，然后对这两类瓜，卖瓜的人总结其中是本地瓜和外地瓜的区别。 1、距离计算 ...
周志华《机器学习》学习笔记（大全）
03-06
本文为周志华《机器学习》的学习笔记，记录了本人在学习这本书的过程中的理解思路以及一些有助于消化书内容的拓展知识，笔记中参考了许多网上的大牛经典博客以及李航《统计学习》的内容，向前辈们和知识致敬！
【周志华机器学习】一、机器学习基本概念
热门推荐
weixin_42301220的博客
04-03 1万+
文章目录参考资料1. 概述1.1 机器学习定义1.2 基本术语2. 模型的评估与选择2.1 误差与过/欠拟合2.2 评估方法2.3 训练集与测试集的划分方法2.3.1 留出法2.3.2 交叉验证法2.3.3 自助法2.4 调参2.5 性能度量2.5.1 最常见的性能度量2.5.2 查准率/查全率/F12.5.3 ROC与AUC2.5.4 代价敏感错误率与代价曲线 参考资料 Machine-learning-learning-notes LeeML-Notes 本博客为作者根据周志华的西瓜书和参考资料
机器学习——周志华
牛哇牛哇的博客
01-20 2357
以很高的概率 得到一个很好的模型训练数据 (数据样本)模型:决策树,神经网络,支持向量机,Boosting,贝叶斯网数据集:数据样本训练数据:用于得出模型测试数据:把模型拿来用示例(instance):色泽 根 敲声样例(example):色泽 根 敲声 好瓜(结果)属性(attribute):色泽 或者 根等属性空间:有几个属性就是几维属性空间(样本空间)特征向量(属性向量):属性空间中的向量(结果)不可知样本(unseen data):未来的数据,不可知假设:所用的模型,模型学到的东西,拟合函
机器学习（1）——周志华
m0_52792591的博客
01-06 1139
机器学习:利用经验改善系统的自身性能随着机器学习领域的发展，目前主要研究只能数据分析的理论和方法，并已成为只能数据分析技术的源泉之一暂时就学这么多，明天继续。
《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。
《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。
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】第一章 - 机器学习概论 - 周志华机器学习笔记
星辰不问
07-13 1326
【机器学习】第一章 - 机器学习概论 - 周志华机器学习笔记
机器学习——周志华_笔记
Bright20040513的博客
09-21 509
神经网络介绍——基于机器学习_周志华支持向量机SVM介绍——基于机器学习_周志华。
强化学习——基于机器学习_周志华
Bright20040513的博客
09-20 330
**强化学习**（Reinforcement Learning，简称**RL**）是机器学习的一个重要分支，前段时间人机大战的主角AlphaGo正是以强化学习为核心技术。在强化学习中，包含两种基本的元素：**状态**与**动作**，**在某个状态下执行某种动作，这便是一种策略**，学习器要做的就是通过不断地探索学习，从而获得一个好的策略。例如：在围棋中，一种落棋的局面就是一种状态，若能知道每种局面下的最优落子动作，那就攻无不克/百战不殆了~
机器学习-周志华教授
carry_gyu的博客
10-16 857
周志华教授网课学习笔记
机器学习知识点整理（《机器学习》——周志华）
rocsoft
07-28 4330
机器学习 基本概念 判别式模型和生成式模型 判别式模型是直接对条件概率p(y\mid x;\theta)建模，来预测x所属的分类。 常见的判别式模型有：线性回归模型、支持向量机SVM、神经网络等。 生成式模型则会对x和y的联合分布p(x,y)建模，然后通过贝叶斯公式来求得p(y_i\mid x)，然后选取使得p(y_i|x)最大的y_i，即： arg⁡maxy p(y∣x)=arg⁡maxy p(x∣y)p(y)p(x)=arg⁡maxy p(x∣y)p(y)arg⁡maxy p(y∣x)=arg⁡max
周志华《机器学习》入门-绪论
weixin_63927761的博客
03-08 585
机器学习的主要研究内容就是从数据中产生**模型**的算法，也即**学习算法**。**归纳（induciotn）**和**演绎（deduction）**是科学推理的两大基本手段，前者是从特殊到一般的**泛化（generalization）**，后者是从一般到特殊的**特化（specialization）**。在本书中，**模型**泛指所有从数据中学得的结果，在别的文献中，也有对**模型**和**模式**作出区分的，模型指学得的全局性结果（比如一棵决策树），模式指学得的局部性结果（比如一条规则）。
《白话机器学习的数学》第4章——评估
最新发布
weixin_51130882的博客
07-23 442
1.由于像多重回归这样的问题会导致无法在图上展示，所以需要能够够定量地表示机器学习模型的精度。
机器学习周志华6.3
12-01
机器学习周志华的第6.3节主要介绍了支持向量机（SVM）的对比实验。SVM是一种二分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，可形式化为一个求解凸二次规划（Quadratic Programming）的问题。在6.3节中，作者通过对比实验，比较了不同的SVM实现方式（如SMO算法、LIBSVM、sklearn.svm等）在不同数据集上的性能表现，并对比了不同核函数（如线性核、多项式核、高斯核等）的表现。具体实验细节和结果可以参考引用和引用提供的源代码和实验报告。
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
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