《机器学习基石》笔记系列

前言

“机器学习基石”是 Coursera 上一门关于机器学习的课程，由国立台湾大学的老师林轩田讲授。该课程一共有16节课，主要介绍了机器学习领域的基础理论知识。

授课大纲

课程的大纲如下，以下的每个小项目对应到约一小时的课程：

When Can Machines Learn? [何时可以使用机器学习]
– The Learning Problem [机器学习问题]
– Learning to Answer Yes/No [二元分类]
– Types of Learning [各式机器学习问题]
– Feasibility of Learning [机器学习的可行性]

Why Can Machines Learn? [为什么机器可以学习]
– Training versus Testing [训练与测试]
– Theory of Generalization [举一反三的一般化理论]
– The VC Dimension [VC 维度]
– Noise and Error [噪声时错误]

How Can Machines Learn? [机器可以怎么样学习]
– Linear Regression [线性回归]
– Linear Soft Classification [软性的线性分类]
– Linear Classification beyond Yes/No [二元分类以外的分类问题]
– Nonlinear Transformation [非线性转换]

How Can Machines Learn Better? [机器可以怎么样学得更好]
– Hazard of Overfitting [过度训练的危险]
– Preventing Overfitting I: Regularization [避免过度训练一：控制调适]
– Preventing Overfitting II: Validation [避免过度训练二：自我检测]
– Three Learning Principles [三个机器学习的重要原则]

计划

我将把课程按照自己的理解，整理成一份通俗易懂的笔记，一方面记录所学知识，另一方面与大家一起分享，共同进步。

笔记链接

以下是我自己整理的，以这门课为基础的机器学习笔记，不断更新中。

《机器学习基石》1-The Learning Problem
《机器学习基石》2-Learning to Answer Yes/No
《机器学习基石》3-Types of Learning
《机器学习基石》4-Feasibility of Learning
《机器学习基石》5-Training versus Testing
《机器学习基石》6-Theory of Generalization
《机器学习基石》8-Noise and Error
《机器学习基石》9-Linear Regression