前十章总结_思维导图
1、模型评估与选择_计算学习理论_特征选择
2、决策树_贝叶斯分类器_概率图模型
3、降维与度量学习_集成学习
4、规则学习
_ _ _ _ _ _ 机器学习基础系列文章更新完毕,喜欢的朋友可以关注后续“机器学习主要类型”系列文章_ _ _ _ _ _
机器学习基础系列文章回顾:
机器学习基础(一):简介
机器学习基础(二):模型评估与选择
机器学习基础(三):决策树
机器学习基础(四):特征选择与稀疏学习
机器学习基础(五):计算学习理论(PAC学习、有限假设空间、VC维、Rademacher复杂度、稳定性)
机器学习基础(六):贝叶斯分类(贝叶斯决策论、朴素/半朴素贝叶斯分类器、贝叶斯网、EM算法)
机器学习基础(七):概率图模型(HMM、MRF、CRF、话题模型、推断方法)
机器学习基础(八):降维与度量学习(KNN、MDS、线性降维、PCA、核化线性降维、流形学习、度量学习)
机器学习基础(九):集成学习(Boosting、Bagging、Random Forest、学习器结合策略、多样性)
机器学习基础(十):规则学习(序贯覆盖、剪枝优化、命题学习、一阶规则学习、归纳逻辑程序设计ILP、最小一般泛化LGG、归结/逆归结)
参考书目:
周志华.《机器学习》