《机器学习基石》

台湾国立大学机器学习基石.听课笔记（第九讲）：Linear Regression

台湾国立大学机器学习基石.听课笔记（第九讲）：LinearRegression（线性回归）1、线性回归问题例如，信用卡额度预测问题：特征是用户的信息（年龄，性别，年薪，当前债务，...）
huang1024rui·2015-08-14 22:00

台湾国立大学机器学习基石.听课笔记（第八讲）：Noise and Error

台湾国立大学机器学习基石.听课笔记（第八讲）：NoiseandError一、噪音与概率目标函数（NoiseandProbalisticTarget）1、几种错误：(1)noiseiny:mislabeleddata
Paul-Huang·2015-08-11 16:39

台湾国立大学机器学习基石.听课笔记（第八讲）：Noise and Error

台湾国立大学机器学习基石.听课笔记（第八讲）：NoiseandError一、噪音与概率目标函数（NoiseandProbalisticTarget）1、几种错误：(1)noiseiny:mislabeleddata
huang1024rui·2015-08-11 16:00

台湾国立大学机器学习基石.听课笔记（第七讲）：The VC Dimension

听课笔记（第七讲）：VC维理论(台大机器学习）上一讲的最后得到了VCbound，这一讲对VC维理论进行理解，这是机器学习（最）重要的理论基础。一、VCDimension的定义我们先对前面得到的生长函数和VCbound做一点小的修改。1，VC维的定义VCDemension:对于假设空间H，满足生长函数m(N)=2^N的最大的N，记为dvc(H).可知，dvc(H)比H的最小突破点k小1，即dvc(H
huang1024rui·2015-08-10 11:00

台湾国立大学机器学习基石.听课笔记（第六讲）： 一般化（举一反三）的理论

Lecture6:TheoryofGeneralization（一般化（举一反三）的理论）一、RestrictionofBreakPoint（切断点的限制）当breakpointk=2,N=3时，m_H(N)出现的情况。x_1、x_2和x_3两两之间都得满足k=2的条件，sowehaveaidea:二、BoundingFunction:BasicCases（边界函数的基本情况）首先，我们根据已知情
huang1024rui·2015-08-01 11:00

台湾国立大学机器学习基石.听课笔记（第五讲）： 训练和测试有什么不同

Lecture5:TrainingversusTesting一、RecapandPreview（复习和预览）基于统计的学习流程：---》如果备选函数集的大小|H|=M，M有限，训练数据量N足够大，则对于学习算法A选择的任意备选函数h，都有 E-out(h)≈E-in(h)---》如果A找到了一个备选函数，使得E-in(h)≈0，则有很大概率E-out(h)≈0---》学习是可能的可以讲，机器学习有
huang1024rui·2015-07-31 10:00

台湾国立大学机器学习基石.听课笔记（第四讲）： 机器学习的可行性

提纲机器学习的可行性&訓練與測試内容如:1.引入计算橙球概率问题2.通过用Hoeffding'sinequality解决上面的问题，并得出PAC的概念，证明采样数据学习到的h的错误率可以和全局一致是PAC的3.将得到的理论应用到机器学习，证明实际机器是可以学习4.二元分类的EffectiveNumber5.一般备选函数的 EffectiveNumber6.breakpoint===========
huang1024rui·2015-07-27 19:00

台湾国立大学机器学习基石.听课笔记（第三讲）： 机器学习的分类

机器学习方法的分类学，通过不同的分类标准来讨论。一，根据输出空间来分类。1，分类(classification)1.1二值分类(binaryclassification)：输出为{+1，-1}。1.2多值分类(multiclassclassification)：输出为有限个类别，{1,2,3,...,K}2，回归(regression)输出空间：实数集R，或区间[lower,upper]3，结构学
huang1024rui·2015-07-26 11:00

C++的标准模板库STL中实现的数据结构之链表std::list的分析与使用

引言由于前段时间对台大的机器学习基石和技法课程进行了学习，发现在具体的实现中常常涉及到各种类型的数据结构，比如线性表、二叉树、图等，在使用这些数据结构时感到有些吃力，主
LG1259156776·2015-07-23 15:00

C++的标准模板库STL中实现的数据结构之顺序表vector的分析与使用

引言由于前段时间对台大的机器学习基石和技法课程进行了学习，发现在具体的实现中常常涉及到各种类型的数据结构，比如线性表、二叉树、图等，在使用这些数据结构时感到有些
Zhang_P_Y·2015-07-22 12:53

C++的标准模板库STL中实现的数据结构之顺序表vector的分析与使用

引言由于前段时间对台大的机器学习基石和技法课程进行了学习，发现在具体的实现中常常涉及到各种类型的数据结构，比如线性表、二叉树、图等，在使用这些数据结构时感到有些
LG1259156776·2015-07-22 12:00

台大《机器学习基石》课程感受和总结---Part 2

转自：http://blog.sina.com.cn/s/blog_641289eb0101e2ld.html Part 2总结一下一个粗略的建模过程： 首先，弄清楚问题是什么，能不能用机器学习的思路去考虑： 是否有pattern？ 是否规则不明确？ 是否有数据？ 如果可以用，那么考虑，问题的学习目标是什么，有多少feature，有多少数据，
·2015-07-16 19:00

台大《机器学习基石》课程感受和总结---Part 1

期末终于过去了，看看别人的总结：http://blog.sina.com.cn/s/blog_641289eb0101dynu.html 接触机器学习也有几年了，不过仍然只是个菜鸟，当初接触的时候英文不好，听不懂课，什么东西都一知半解。断断续续的自学了一些公开课和书以后，开始逐渐理解一些概念。据说，心得要写下来才记得住。据说，心得要与人分享。这里是自己一点非常粗浅的感想或者遇到的问题，不一定对，
·2015-07-16 19:00

机器学习总结一

前段时间在网上看到了coursera公开课台大机器学习基石课程，比较全面而且清晰地将机器学习所需的基本知识、理论基础给与了讲解。
LG1259156776·2015-07-08 17:00

VC维再理解

看了台大的机器学习基石的课。讲了很多周的VC维的知识，对VC维的认识还是有点模糊，在这里梳理一下。VC维被认为是数学和计算机科学中非常重要的定量化概念，它可用来刻画分类系统的性能。
Hosee·2015-06-27 15:00

机器学习基石笔记

1学习问题1.1什么时候用机器学习有可以被学习的模式（如何判断有无模式）这些模式无法用简单的规则定义，或者这些规则不容易描述有数据，这些数据中包括相应的模式
zc02051126·2015-05-17 09:00

机器学习基石笔记14——机器可以怎样学得更好（2）

机器学习基石笔记14——机器可以怎样学得更好（2）转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html目录机器学习基石笔记1——在何时可以使用机器学习
zdy0_2004·2015-04-06 21:00

机器学习基石笔记10——机器可以怎样学习（2）

机器学习基石笔记10——机器可以怎样学习（2）转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html目录机器学习基石笔记1——在何时可以使用机器学习
zdy0_2004·2015-03-13 23:00

PLA(Perceptron Learning Algorithm)--机器学习基石笔记

问题：用于解决”是非“问题（二分类问题）难点：能够正确的把数据分开的线有无线多条理论：初始任选一条线，每次进行转动一定角度，逐步进行修正和更新，最终找到一条线能够把所有的点正确分类--知错能改算法算法过程：（1）初始化一条线，遍历所有数据，进行分类判定（2）如果找到一个分类错误的数据，则有：（3）修正过程如下，直到所有点都分类正确算法停止：算法会终止条件：数据是线性可分的算法缺点：（1）只能对线性
dushenzhi·2015-03-06 19:01

PLA(Perceptron Learning Algorithm)--机器学习基石笔记

问题：用于解决”是非“问题（二分类问题）难点：能够正确的把数据分开的线有无线多条理论：初始任选一条线，每次进行转动一定角度，逐步进行修正和更新，最终找到一条线能够把所有的点正确分类--知错能改算法算法过程：（1）初始化一条线，遍历所有数据，进行分类判定（2）如果找到一个分类错误的数据，则有：   （3）修正过程如下，直到所有点都分类正确算法停止：   算法会终止条件：数据是线性可分的算法缺点：（1
dushenzhi·2015-03-06 19:00

机器学习问题分类--机器学习基石笔记

机器学习问题根据不同的角度可以分成不同的类型，以下是课程中提到的类型划分，这对机器学习方向的整体把握和具体问题定位非常有帮助。1、根据不同的结果输出空间（OutSpace），可以将机器学习问题分为：二分类（binaryClassification）问题多分类（MulticlassClassification）问题回归分析问题（regression）结构学习问题：序列标记（SequenceTaggi
dushenzhi·2015-03-06 18:29

机器学习问题分类--机器学习基石笔记

  机器学习问题根据不同的角度可以分成不同的类型，以下是课程中提到的类型划分，这对机器学习方向的整体把握和具体问题定位非常有帮助。  1、根据不同的结果输出空间（OutSpace），可以将机器学习问题分为：二分类（binaryClassification）问题多分类（MulticlassClassification）问题回归分析问题（regression）结构学习问题：序列标记（SequenceT
dushenzhi·2015-03-06 18:00

NTU-Coursera机器学习:机器学习基石 (Machine Learning Foundations)

课讲内容这门课以8周设计,分成4个核心问题,每个核心问题约需2周的时间来探讨.每个约2个小时的录影中,每个小时为一个主题,以会各分成4到5个小段落,每个段落里会有一个后多个随堂的练习.我们在探讨每个核心问题的第二周。依上所述，課程的規畫如下：WhenCanMachinesLearn? [何时可以使用机器学习]第一周:(NTU-Coursera机器学习:机器学习问题与二元分类)第一讲：TheLear
utimes·2015-03-04 22:00

机器学习基石——第13-14讲.Hazard of Overfitting

本栏目（机器学习）下机器学习基石专题是个人对Coursera公开课机器学习基石（2014）的学习心得与笔记。
xyd0512·2015-02-16 05:00

机器学习基石——第11-12讲.Linear Models for Classification

本栏目（机器学习）下机器学习基石专题是个人对Coursera公开课机器学习基石（2014）的学习心得与笔记。
xyd0512·2015-02-16 05:00

机器学习基石——第9-10讲.Linear Regression

本栏目（机器学习）下机器学习基石专题是个人对Coursera公开课机器学习基石（2014）的学习心得与笔记。
xyd0512·2015-02-05 11:00

机器学习基石——第7-8讲.The VC dimension

本栏目（机器学习）下机器学习基石专题是个人对Coursera公开课机器学习基石（2014）的学习心得与笔记。
xyd0512·2015-02-04 12:00

机器学习基石——第5-6讲.Training versus Testing

本栏目（机器学习）下机器学习基石专题是个人对Coursera公开课机器学习基石（2014）的学习心得与笔记。
xyd0512·2015-02-04 12:00

机器学习基石——第3-4讲.Types of Learning

本栏目（机器学习）下机器学习基石专题是个人对Coursera公开课机器学习基石（2014）的学习心得与笔记。
xyd0512·2015-02-04 12:00

机器学习基石——第15-16讲.Validation

本栏目（机器学习）下机器学习基石专题是个人对Coursera公开课机器学习基石（2014）的学习心得与笔记。
xyd0512·2015-02-04 12:00

机器学习基石——第1-2讲.The Learning Problem

本栏目（机器学习）下机器学习基石专题是个人对Coursera公开课机器学习基石（2014）的学习心得与笔记。
xyd0512·2015-02-04 12:00

Machine Learning Foundations(机器学习基石) By Hsuan-Tien Lin (林轩田) week1 笔记

第一讲：机器学习问题介绍从学习到机器学习的定义过渡学习：从观察到的经验知识学习到技能(skill):机器学习(MachineLearning,ML)：从数据中计算得到的知识来学习技能(skill)。机器学习中的skill指的是提高一些测量的性能(例如，预测准确度)。机器学习可以在衣食住行育乐六个方面都可以得到应用：衣：时尚搭配推荐食：餐馆推荐住：建筑楼房预算行：自动识别交通标志育：推测学生的学习水
demon7639·2014-10-23 20:00

听课笔记（第五讲）： 学习的可行性分析（一些概念和思想） (台湾国立大学机器学习基石）

2013-12-2715:28:56TrainingversusTesting1，回顾：学习的可行性？最重要的是公式： （1）假设空间H有限（M），且训练数据足够大，则可以保证测试错误率Eout约等于训练错误率Ein；（2）如果能得到Ein接近于零，根据（1），Eout趋向于零。以上两条保证的学习的可能性。可知，假设空间H的大小M至关重要，我们接下来会力求找一个H大小的上界。M存在重要的trade
xulinshadow701·2014-04-28 15:00

听课笔记（第三讲）： 机器学习的分类学 (台湾国立大学机器学习基石）

机器学习方法的分类学，通过不同的分类标准来讨论。一，根据输出空间来分类。1，分类(classification)1.1二值分类(binaryclassification)：输出为{+1，-1}。1.2多值分类(multiclassclassification)：输出为有限个类别，{1,2,3,...,K}2，回归(regression)输出空间：实数集R，或区间[lower,upper]3，结构学
xulinshadow701·2014-04-15 06:00

听课笔记（第四讲）：学习的可行性分析 (台湾国立大学机器学习基石）

机器学习的可行性分析。一，第一条准则：没有免费的午餐！(nofreelunch!)给一堆数据D，如果任何未知的f（即建立在数据D上的规则）都是有可能的，那么从这里做出有意义的推理是不可能的！！doomed!!如下面这个问题无解（或者勉强说没有唯一解）： 下面这题也是如此： 再来看个”大神“的例子：已知(5,3,2)=>151022,求(7,2,5)=>？鬼才知道！！即使给你更多已知数据也白搭！因为
xulinshadow701·2014-04-15 06:00

听课笔记（第二讲）： Perceptron-感知机 (台湾国立大学机器学习基石）

LearningtoAnswerYes/No（二值分类）一,Perceptronx=(x1,x2,...,xd)----featuresw=(w1,w2,...,wd)----未知（待求解）的权重对于银行是否发送信用卡问题： perceptron假设： sign是取符号函数，sign(x)=1ifx>0,-1otherwise向量表示： 感知机（perceptron）是一个线性分类器(linear
xulinshadow701·2014-04-15 03:00

机器学习基石

转自：http://www.douban.com/note/319636155/课程地址：https://class.coursera.org/ntumlone-001/class一，什么是机器学习？使用MachineLearning方法的关键：1，存在有待学习的“隐含模式”2，该模式不容易准确定义（直接通过程序实现）3，存在关于该模式的足够数据 这里的f表示理想的方案，g表示我们求解的用来预测的
xulinshadow701·2014-04-15 03:00

8.2 - 《机器学习基石》Home Work 2 Q.19-20

这一题把16题中的decisionstump拓展到多维，要求找出E-in最小的那一维并在测试数据上计算对应维度的E-out: #include  #include  #include  #include  #include  #include  using namespace std; #define DEMENSION 9//数据维度 char *file = "training.txt"
Lee的白板报·2014-04-08 17:00

8.1 - 《机器学习基石》Home Work 2 Q.16-18

根据老师的要求，基于[-1,1]上的均匀分布随机生成20个样本，相应的输出有20%的错误率；20个样本将数轴分为21段，中间有19段，θ取这19段的中点当中的一个，s取1或-1。遍历所有的θ和s，找到E-in最小的（θ，s）组合就得到了那个g函数。#include  #include  #include  #include  #include  using namespace std; #de
Lee的白板报·2014-04-08 17:00

4.2 - 《机器学习基石》Home Work 1 Q.18-20

第18题要求在第16题RandomPLA算法的基础上使用Pocket算法对数据做二元划分。Pocket算法在第2篇文章介绍过，通常用来处理有杂质的数据集，在每一次更新Weights（权向量）之后，把当前犯错最少的Weights放在pocket中，直至达到指定迭代次数(50次)，pocket中的Weights即为所求。然后用测试数据验证W(pocket)的错误率，进行2000次计算取平均。#incl
Lee的白板报·2014-03-17 15:00

4.1 - 《机器学习基石》Home Work 1 Q.15-17

二话不说先上题目：训练数据格式如下：输入有4个维度，输出为{-1，+1}。共有400条数据。题目要求将权向量元素初始化为0，然后使用“NaiveCycle”遍历训练集，求停止迭代时共对权向量更新了几次。所谓“NaiveCycle”指的是在某数据条目x(i)上发现错误并更新权向量后，下次从x(i+1)继续读数据，而不是回到第一条数据x(0)从头开始。#include  #include  #incl
Lee的白板报·2014-03-17 14:00

3 - 机器学习的分类

课程来自Coursera上的国立台湾大学《机器学习基石》（MachineLearningFoundations），由林轩田老师讲授。
Lee的白板报·2014-03-10 15:00

2 - 学习回答是非题

课程来自Coursera上的国立台湾大学《机器学习基石》（MachineLearningFoundations），由林轩田老师讲授。
Lee的白板报·2014-03-06 18:00

1 - 什么是机器学习？怎么用？

课程来自Coursera上的国立台湾大学《机器学习基石》（MachineLearningFoundations），由林轩田老师讲授。
Lee的白板报·2014-03-05 17:00

[MOOC学习笔记]机器学习基石 Lecture01 The Learning Problem

本文转自： http://blog.csdn.net/zhouyongsdzh/article/details/16987129最近，Cousera公开课上又多了一门优质的ML课程，尤其对于华语圈的朋友是学习机器学习的福音。由于本人之前对ML有一定的学习和理解，所以从一个观察者or评论者的角度，来看林老师讲的ML课程，客观的评价是，讲的非常清楚，没有国内大学ML相关课程的照本宣科，问题的引入、算法
kaka20080622·2014-01-03 21:00

[MOOC学习笔记]机器学习基石 Lecture02 Learning to Answer Yes/No

最近，Cousera公开课上又多了一门优质的ML课程，尤其对于华语圈的朋友是学习机器学习的福音。由于本人之前对ML有一定的学习和理解，所以从一个观察者or评论者的角度，来看林老师讲的ML课程，客观的评价是，讲的非常清楚，没有国内大学ML相关课程的照本宣科，问题的引入、算法的描述以及推理都很清楚，非常值得好好学习，不管是刚接触ML的朋友，还是有一定ML经验的朋友。本次MachineLearningF
zhouyongsdzh·2013-12-07 23:00

[MOOC学习笔记]机器学习基石 Lecture01 The Learning Problem

最近，Cousera公开课上又多了一门优质的ML课程，尤其对于华语圈的朋友是学习机器学习的福音。由于本人之前对ML有一定的学习和理解，所以从一个观察者or评论者的角度，来看林老师讲的ML课程，客观的评价是，讲的非常清楚，没有国内大学ML相关课程的照本宣科，问题的引入、算法的描述以及推理都很清楚，非常值得好好学习，不管是刚接触ML的朋友，还是有一定ML经验的朋友。本次MachineLearningF
zhouyongsdzh·2013-11-27 16:00
上一页 2 3 4 5 6 7 8 9 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他