台湾大学机器学习基石笔记整理
2017-09-21 16:55
253 查看
1.机器学习定义和PLA:
http://www.cnblogs.com/HappyAngel/p/3456762.html
2.机器学习分类:
http://blog.csdn.net/SteveYinger/article/details/51115731
3.机器学习的可行性:
http://blog.csdn.net/steveyinger/article/details/51171828
4.机器学习预测函数数量大小:
http://blog.csdn.net/MajorDong100/article/details/51223794?locationNum=13
5.
Noise andError:
http://blog.csdn.net/red_stone1/article/details/71512186
6.线性回归:
https://www.douban.com/note/323611077/
7.逻辑回归:
https://www.douban.com/note/323644915/
8.二元分类线性模型:
http://blog.csdn.net/red_stone1/article/details/72453273
8.过拟合:
https://www.douban.com/note/325443925/
9.正则化:
https://www.douban.com/note/325451389/
10.验证:
http://blog.csdn.net/red_stone1/article/details/72834968
11.总结:
http://blog.csdn.net/red_stone1/article/details/72870520
http://www.cnblogs.com/HappyAngel/p/3456762.html
2.机器学习分类:
http://blog.csdn.net/SteveYinger/article/details/51115731
3.机器学习的可行性:
http://blog.csdn.net/steveyinger/article/details/51171828
4.机器学习预测函数数量大小:
http://blog.csdn.net/MajorDong100/article/details/51223794?locationNum=13
5.
Noise andError:
http://blog.csdn.net/red_stone1/article/details/71512186
6.线性回归:
https://www.douban.com/note/323611077/
7.逻辑回归:
https://www.douban.com/note/323644915/
8.二元分类线性模型:
http://blog.csdn.net/red_stone1/article/details/72453273
8.过拟合:
https://www.douban.com/note/325443925/
9.正则化:
https://www.douban.com/note/325451389/
10.验证:
http://blog.csdn.net/red_stone1/article/details/72834968
11.总结:
http://blog.csdn.net/red_stone1/article/details/72870520
相关文章推荐
- 台湾大学机器学习技法笔记整理
- 台湾大学林轩田机器学习基石笔记(一)
- 机器学习基石笔记5——为什么机器可以学习 (1)
- 机器学习基石笔记-感知机
- [台大机器学习笔记整理]vc-dimension
- 台湾大学林轩田机器学习基石课程学习笔记14 -- Regularization
- 台大-林轩田老师-机器学习基石学习笔记4
- 机器学习基石笔记8——为什么机器可以学习(4)
- 台湾大学林轩田老师机器学习基石:内容简介
- 机器学习基石笔记8——为什么机器可以学习(4)
- [置顶] 台湾大学机器学习笔记——Neural Network 神经网络
- 台湾大学林轩田机器学习笔记
- 机器学习基石笔记10——机器可以怎样学习(2)
- 林轩田-机器学习基石 课堂笔记(七) The VC Dimension
- 机器学习基石笔记(8)——Error Measure
- 机器学习基石(林軒田)笔记之十二
- 台大机器学习基石笔记(一)——机器学习可行性
- 台湾大学林轩田机器学习基石课程学习笔记3 -- Types of Learning
- 台湾大学林轩田机器学习基石课程学习笔记5 -- Training versus Testing
- 机器学习基石笔记6——为什么机器可以学习(2)