周志华《机器学习》课程系列笔记——目录导航页

周志华《机器学习》课程系列笔记

说明：Introduction：最近自学机器学习课程，注意到了南京大学周志华老师的课程。我是在学堂在线平台观看的，注意到b站上也有相应视频，但b站上并未获得授权，随时有消失的可能。
周志华老师的网络教学视频中，与其西瓜书相比确实少了一些内容。但幸运的是，缺失的内容实际上对于初学者来说并不会产生太大影响。目前这一笔记也遵循视频内容，相比西瓜书中也会有一些缺失，敬请谅解。可能以后如果有机会和时间，我会再阅读周志华老师的书籍将缺失内容补全。
一切内容敬请关注我的个人Page页面。
About Me:点击进入我的Personal Page

由于之前区块链课程笔记严重受到ShenHe因素影响，本次机器学习的笔记内容不再在CSDN平台出现，这里仅给出笔记目录。
实际观看请至我的个人Page页面下载pdf文件查看。

若在我的个人Page上没有看到部分，说明还尚未完成更新，请等待即可。该笔记从2022年10月底开始编写，预计最晚12月底前可以完成更新（按照目前进度可能会提前完成），欢迎关注。

笔记中若存在缺陷和不足，欢迎批评指正！

目录：

《机器学习》第一章【绪论】

• 基本术语
• 归纳偏好
• NFL定理

《机器学习》第二章【模型评估与选择】

• 泛化能力
• 三大问题
• 评估方法
• 性能度量
• 比较检验

《机器学习》第三章【线性模型】

• 线性回归
• 最小二乘法
• 多元(Multi-variate)线性回归
• 广义线性模型
• 对率回归（用回归做分类）
• 对率回归求解
• 类别不平衡(class-imbalance)
• 其他属性划分准则

《机器学习》第四章【决策树】

• 决策树基本流程
• 信息增商(Information Gain)划分
• 其他属性划分准则
• 决策树的剪枝
• 缺失值的处理

《机器学习》第五章【支持向量机SVM】

• 支持向量机基本型
• 对偶问题和解的特性
• 求解方法
• 特征空间映射
• 核函数(kernel function)
• 如何使用支持向量机

《机器学习》第六章‘【神经网络】

• 神经网络模型
• 万有逼近能力
• BP算法推导

《机器学习》第七章【贝叶斯分类器】

• 贝叶斯决策论(Bayesian Decision Theory)
• 生成式和判别式模型
• 贝叶斯分类器和贝叶斯学习
• 极大似然估计
• 朴素贝叶斯分类器

《机器学习》第八章【集成学习与聚类】

• 集成学习
• 好而不同
• 两类常用集成学习方法
• Boosting
• Bagging
• 多样性度量

说明

笔记内容仅供学习使用吗，且可以免费下载，任何其他商用行为均与本人无关。
笔记内容为本人完全独自更新，本人在编写过程中为了便于理解会绘制一些图以便于理解，本人对此保有所有权。本人自制的图可免费用于非盈利性用途，如博客、笔记等，无需本人同意，但商用等盈利性行为请与本人进行联系许可。