【知识索引】【李宏毅机器学习】

李宏毅机器学习知识索引

本文为【李宏毅机器学习】知识索引

1.【李宏毅机器学习】01：机器学习介绍 Introduction

【李宏毅机器学习】01：机器学习介绍 Introduction：https://bokai.blog.csdn.net/article/details/113172869

• 一、机器学习步骤
• 二、机器学习框架
• 三、机器学习学习地图
• 四、总结

2.【李宏毅机器学习】02：回归Regression

【李宏毅机器学习】02：回归Regression：https://bokai.blog.csdn.net/article/details/113266729

• 一、回归(Regression)的定义
  • 1.Regression: Output a scalar
  • 2.Example of Regression
• 二、回归的实现(机器学习的步骤)
  • Step 1: define a set of function - Linear Model
  • Step 2: goodness of function - Loss Function
  • Step 3: pick the best function - Gradient Descent
• 三、回归的优化
  • 1.Select another model 选择另一个模型
  • 2.Consider the hidden factors 考虑其他隐藏因素
  • 3.Regularization 正则化

3.【李宏毅机器学习】03：误差Error

【李宏毅机器学习】03：误差Error：https://bokai.blog.csdn.net/article/details/113360317

• 一、Bias & Variance 偏差和方差

  • 1.误差的来源
  • 2.偏差和方差的理解
  • 3.偏差和方差出现的原因
  • 4.模型的偏差和方差

• 二、What to do with error 误差的处理

  • Bias v.s. Variance 偏差和方差对比
  • 1.Large bias - underfitting偏差大 - 欠拟合
  • 2.Large variance - Overfitting 方差大 - 过拟合

• 三、Model Selection模型的选择

  • 1.Cross Validation 交叉验证
  • 2.K-fold Cross Validation k折交叉验证

4.【李宏毅机器学习】04：梯度下降Gradient Descent

李宏毅机器学习04：梯度下降Gradient Descent：https://bokai.blog.csdn.net/article/details/113407285

• 一、梯度下降方法
• 二、梯度下降的改进方法
  • Tip 1: Tuning your learning rates 调整学习率
  • Tip 2: Stochastic Gradient Descent 随机梯度下降
  • Tip 3: Feature Scaling 特征缩放
• 三、Gradient Descent Theory梯度下降的数学理论
• 四、梯度下降的限制

5.【李宏毅机器学习】05：概率生成模型Probabilistic Generative Model

【李宏毅机器学习】05：概率生成模型Probabilistic Generative Model：https://bokai.blog.csdn.net/article/details/113526076

• 一、分类Classification的概念
• 二、分类Classification的实现
  • (1)不能用回归实现分类
  • (2)其他模型
  • (3)概率生成模型 Probabilistic Generative Model
    • 1.预备概率知识
    • 2.分类问题转化为概率问题
    • 3.总结概率生成模型的三步
    • 4.概率生成模型的数学推导

（未完待续…）