Machine Learning (Hung-yi Lee, NTU)

一些資源：
· B站上的課程URL
· 比較有用的筆記與作業

1.Intro

随便了解一下。

• 监督学习(Supervised learning)
• 半监督学习(Semi-Supervised learning)
• 迁移学习(Transfer learning)
• 非监督学习(Unsupervised learning)
• 结构化学习(Structed learning)

2.回歸問題

作爲機器學習的入門，簡單以回歸問題的形式來表現所有機器學習解決問題的過程：

1. Define a function set or model        //定義一個模型
2. Goodness of a function                  //判斷模型好壞
3. Pick the best function                     //選擇最佳函數

回归问题实际是就是找到一个函数 f(x) 通过输入的数据 x，输出一个值output。
回歸問題筆記：Lecture2-note

誤差分析：Bias & Variance


目標是找到低偏差低方差函數，常見的一些方法建議與針對點：

1. More training examples -> High variance
2. Smaller set of examples -> High variance
3. Larger set of examples -> High Bias

Gradient Descent 梯度下降法

3.分类问题

數學基礎：似然與最大似然函數
生成概率模型