机器学习基石

机器学习基石 - Regularization

机器学习基石下(MachineLearningFoundations)—MathematicalFoundationsHsuan-TienLin,林轩田，副教授(AssociateProfessor)，
纫秋兰以为佩·2020-06-26 11:10

机器学习基石 - Three Learning Principles

机器学习基石下(MachineLearningFoundations)—MathematicalFoundationsHsuan-TienLin,林轩田，副教授(AssociateProfessor)，
纫秋兰以为佩·2020-06-26 11:10

machine learning博客索引

本系列为台大林轩田老师《机器学习基石》和《机器学习技法》课程的部分学习笔记。
_席达_·2020-06-26 05:47

精心整理 | 林轩田机器学习资源汇总

红色石头的个人网站：redstonewill.com课程介绍台湾大学林轩田老师曾在coursera上开设了两门机器学习经典课程：《机器学习基石》和《机器学习技法》。
红色石头Will·2020-06-26 05:03

台湾大学林轩田机器学习基石课程学习笔记16（完结） -- Three Learning Principles

红色石头的个人网站：redstonewill.com上节课我们讲了一个机器学习很重要的工具——Validation。我们将整个训练集分成两部分：DtrainDtrain和DvalDval，一部分作为机器学习模型建立的训练数据，另一部分作为验证模型好坏的数据，从而选择到更好的模型，实现更好的泛化能力。这节课，我们主要介绍机器学习中非常实用的三个“锦囊妙计”。一、Occam’sRazor奥卡姆剃刀定律
红色石头Will·2020-06-26 05:26

台湾大学林轩田机器学习技法课程学习笔记1 -- Linear Support Vector Machine

红色石头的个人网站：redstonewill.com关于台湾大学林轩田老师的《机器学习基石》课程，我们已经总结了16节课的笔记。
红色石头Will·2020-06-26 05:26

机器学习之线性回归（机器学习基石）

引子在一个二元分类的问题中我们通常得到的结果是1/0，而在分类的过程中我们会先计算一个得分函数然后在减去一个门槛值后判断它的正负若为正则结果为1若为负结果为0。事实上从某种角度来看线性回归只是二元分类步骤中的一个截取它没有后面取正负号的操作，它的输出结果为一个实数而非0/1。我们称这样的数学模型为线性回归。在传统上统计学家给出的结果是如下：它的物理意义就是要提取多笔资料的特征用一个线性的函数所表示
RDeduction·2020-06-25 09:08

机器学习基石第十五节

名词：（本节主要内容）Validation验证，将数据集划分出测试集Dvalvalidationset验证集Dtrain训练数据集Leave-One-OutCrossValidation留一法交叉验证独立同分布（iid）转自：https://blog.csdn.net/red_stone1/article/details/72834968上节课我们主要讲了为了避免overfitting，可以使用r
硌手小石头·2020-06-25 05:53

《机器学习&&深度学习》 视频课程资源百度云下载

林轩田：机器学习基石链接：http://pan.baidu.com/s/1qXSKZP64密码：dwie林轩田：機器學習技法(MachineLearningTechniques)链接：http://pan.baidu.com
三更灯火五更鸡·2020-06-24 06:30

机器学习相关资料整理

53b9fd0a79563c1ec5da71072）斯坦福大学AndrewNg机器学习公开课：http://wenku.baidu.com/course/study/53b9fd0a79563c1ec5da71073）台湾大学林轩田机器学习视频，分机器学习基石和机器学习技法两部分
liu_zhlai·2020-06-24 06:34

机器学习基石课程第四讲

第四讲：FeasibilityofLearning1、LearningisImpossible一个问题：给出如下的规则；预测如下的图片的类别：对于这个问题，有多种不同的看法，如果你说答案是1，那么我会说，你答错了，左上角是黑色的类别为-1。如果你说答案是-1，那么我会说，你答错啦，对称的图形类别是1。这些类别都是人为设定的，比如：所以，我总是可以说，你答错了。所以，这样看起来，learning好像
文哥的学习日记·2020-06-24 04:35

机器学习大佬的进阶之路！一位北大硕士毕业梳理了完整的学习路线！

还有之前倍受推崇的机器学习入门必学课程，如林轩田《机器学习基石》、《机器学习技法》和吴恩达deeplearning.ai专项课程。如何系统化学习机器学习，第一时间掌握该领域最新的学习资料呢？
风度78·2020-06-23 07:06

惊为天人，NumPy手写全部主流机器学习模型，代码超3万行

超过3万行代码、30多个模型，这也许能打造「最强」的机器学习基石？NumPy作为Python生态中最受欢迎的科学计算包，很多读者已经非常熟悉它了。
风度78·2020-06-23 07:34

林轩田机器学习基石及技法课程中线性分类器的总结

概述什么是机器学习机器为什么可以学习如何提高机器学习性能正则方法交叉验证常见线性分类器及其关系PLA以及pocket演算法linearsoft-marginsvmlinearSVRlinearridgeregression总结tobecontinue概述在林老师的机器学习课程中，我觉得受益最多的是将机器学习中的原理背景以及推导过程进行了详细描述。这里就简单总结下，不足之处还望多多拍砖。什么是机器学
cqychen·2020-06-23 00:02

机器学习基石第十三节

名词解释过拟合（overfitting）欠拟合（underfitting）stochasticnoise随机Noisedeterministicnoise确定性noiseexcessivepower过度power引起过拟合两个因素：noise和modelcomplexity转自：https://blog.csdn.net/red_stone1/article/details/72673204上节课
硌手小石头·2020-06-22 14:00

惊为天人，NumPy手写全部主流机器学习模型，代码超3万行

超过3万行代码、30多个模型，这也许能打造「最强」的机器学习基石？NumPy作为Python生态中最受欢迎的科学计算包，很多读者已经非常熟悉它了。它为Pyt
简说Python·2020-06-21 05:07

机器学习-监督学习模型总结 V1.1

学习AndrewNg吴恩达先生的《MachineLearning》，以及台湾国立大学林轩田先生的《机器学习基石》、《机器学习技法》，先将课程中涉及的机器学习的监督学习模型总结如下。
刘月玮·2020-04-07 14:44

2.1 Leaming to Answer Yes No- Perceptron Hypothesis Set|机器学习基石（林轩田）-学习笔记

文章原创,最近更新：2018-06-27学习链接:2.1LeamingtoAnswerYesNo-PerceptronHypothesisSet学习参考链接:台湾大学林轩田机器学习基石课程学习笔记2--
durian221783310·2020-04-07 12:43

机器学习基石第五节

TrainingversusTesting先来看两个主要问题：TwoCentralQuestions所以就有了一个问题：Trade-offonM以dichotomiesH（X1，X2...）的大小取代M，以此选定M的大小增长函数GrowthFunction增长函数GrowthFunctionpolynomial多项式exponential指数perceptron感知器FourGrowthFunct
硌手小石头·2020-04-02 10:42

机器学习基石第三节

TypesofLearning一、监督式（supervised）的学习（上面的问题）和非监督式（unsupervised）的学习（下面的问题）区分：是否提供yn（结果集）监督式和非监督式（classtry）学习（一）、unsupervised：learningwithyn根据输出空间变化，常见有以下几类问题1、自动贩卖机识别硬币，多类别识别问题（1）classifyUScoins（1c，5c，10
硌手小石头·2020-04-02 09:14

吴恩达机器学习+林轩田机器学习+高等数学和线性代数等视频领取

本次分享包含：台湾大学林轩田老师的【机器学习基石】和【机器学习技法】视频教学、吴恩达老师的机器学习分享、徐小湛的高等数学和线性代数视频，还有相关机器学习和深度学习的PDF书籍送给大家。
nanao3o·2020-03-28 20:34

2.2Leaming to Answer Yes No-Perceptron Leaming Algorithm|机器学习基石（林轩田）-学习笔记

文章原创,最近更新：2018-06-27学习链接:LeamingtoAnswerYesNo-PerceptronLeamingAlgorithm学习参考链接:台湾大学林轩田机器学习基石课程学习笔记2--
durian221783310·2020-03-26 04:45

资源 | 机器学习

目录教程课程代码/项目博客教程基础理论Learningfromdata,YaserS.Abu-Mostafa,MalikMagdon-Ismail,andHsuan-TienLin，中文译名《机器学习基石
dataxon·2020-03-21 09:00

机器学习笔记（4）--林轩田机器学习基石课程

FeasibilityofLearning这一节课，探讨机器学习的可行性。一开始，老师给出了一个例子，说机器学习并不能确保学习到的g近似等于f。从上图我们可以看出来，即使我们能确保在我们手头上的x上，g确确实实等于f，但是，在data之外的数据，我们不能说g≈f，因为这里可能性的f有太多种了，无论g选其中的哪一个f，adversarialteacher都可以说你是错误的。那么，难道机器就不能学习了
数学系的计算机学生·2020-03-17 18:57

机器学习基石第一节

1、Whatismachinelearningdefineobservation-》learning-》skilldata-》ML-》skillskill=improvesomeperformancemeasureML=improvesomeperformancemeasurewithexperiencecomputedfromdataeg.stockdata-》ML-》moreinvestmen
硌手小石头·2020-03-16 23:09

《机器学习基石》学习笔记<4>

WhenCanMachinesLearn?——part4按例放上学习进度:DRoadmap一、Learningisimpossible？先从一个例子思考问题，给你6张图片的资料，你可以预测第7张属于1还是-1嘛？答案显然是有很多种的，比如，它是属于+1的，因为+1的都是对称；你也可以说它的属于-1的，因为-1的图形左上角第一个格子都是黑的；emmmm……这……对的，根本无法知道哪个才是想要的f.再
glassyw·2020-03-13 08:49

2. 3 Learning to Answer Yes No-Guarantee of PLA|机器学习基石（林轩田）-学习笔记

文章原创,最近更新：2018-07-16学习链接:LearningtoAnswerYesNo-GuaranteeofPLA学习参考链接:1、台湾大学林轩田机器学习基石课程学习笔记2--LearningtoAnswerYes
durian221783310·2020-03-09 17:33

连载 | 机器学习基石 Lec 2: PLA & Pocket

Lec2:LearningtoAnswerYes/No上一节中介绍了机器学习的概念和符号表示，这节主要介绍一个简单的模型PLA，这将是学习其他模型的基础与出发点。本章符号含义参照上一章。1、PerceptronHypothesisSet在进行“yes／no”分类时，对输入x＝(x1,x2,...,xd)，计算weightedscore，当score>阈值，我们就得出yes（＋1）结果，score0
青禾ws·2020-03-05 01:29

连载 | 机器学习基石 Lec10：Logistics Regression & 梯度下降

Tips：符号主要参照Lec1，部分参照其他Lec～上一节介绍了线性回归，线性回归是输出一个score，可以用来判断用户的信用额度等……这一节将介绍另一种回归算法：logisticregression。Lec10：LogisticRegression上一节线性回归的Hypothesis是h=wx，错误衡量是squarederror，输出是正实数集，最终的解可以通过求pseudo-inverse得到
青禾ws·2020-03-04 20:38

连载 | 机器学习基石 Lec 8：Noise & Error

Tips：未进行说明的符号主要参照Lec1，部分参照其他Lec.上一节介绍了ML中非常重要的工具VCDimension，说明了learning发生的理论保障和一些条件：当dvc有限、N足够大、Ein较低时，learning可行。这节将从data出发，介绍存在noise和error时会是怎样的情况？之前的理论是否可以放宽到这种情况？Lec8：NoiseandError1、NoiseandProbab
青禾ws·2020-03-03 07:09

机器学习入门参考资料

1.资料列表国立台湾大学视频教程机器学习基石：机器学习基石机器学习技法：机器学习技法中文教学，而且台湾大写的教学一直深入浅出，当年看台大的「魔方与数学」教程就感受深刻，强烈推荐。
ParryQiu·2020-03-02 22:24

《机器学习基石》课程学习总结（三）

前面两篇文章要点回顾：第一篇：机器学习的主要任务是用算法A，利用数据集D从假设集H中挑出一个函数g，使得E_in(g)最小。第二篇：可以证明，当假设集H的d_vc是有限值，数据集D中样本数量N足够大时，找到的函数g的E_in和E_out很大概率上是近似相等的，因此，E_in很小时可以认为E_out也会很小。也就是说，机器确实从数据中学习到了“知识”。这篇文章是对第8课内容的总结，比较短，但是很重要
milter·2020-02-29 18:32

连载 | 机器学习基石 Lec11：随机梯度下降&多分类

距离Lec10更新已经过去三个半月了，漫长的考试与寒假……囧！今天终于鼓起勇气继续写下去，正好这学期有《统计学习方法》课程，结合着回顾一下。按照惯例，开头是对上一节做出总结，由于时间久远，就算了……吧。不过还是有一点其他东西想讲一讲。上周刚刚上了第一节统计学习方法课，基本是在宏观上介绍概念，很多名词和基石课叫法不一样，听起来怪怪的，但思想基本一样，有时候一下子联想不到基石中讲过的具体的知识点，所以
青禾ws·2020-02-26 07:37

感知机--机器学习基石笔记

Wf和Wt内积越来越大，说明两向量越来越接近，Wt更新后会越接近目标值Wf。Wt慢慢长，说明内积越来越大，不完全是长度变大，而是越来越靠近，两向量夹角在减小。又因为两个正规化向量的内积最大为1。下面给出证明：有问题的地方是中间怎么Wf^T.Wt-1怎么变成W0PLA优缺点：优点：易执行，快，可以工作在任意维度的数据。缺点：需要提前知道数据是否线性可分，不能确定何时能停下来。改进或者另一个替换算法，
MikleLi·2020-02-22 17:41

Coursera公开课《机器学习基石&技术》课程的感触

背景最近在修台湾大学林轩田老师在Coursera上的机器学习系列课程《机器学习基石》和《机器学习技术》，前者是后者的先行课程，是基础，后者是前者的升级与补充。
练绪宝·2020-02-20 12:42

机器学习基石第七节

转自：#TheVCDimension前几节课着重介绍了机器能够学习的条件并做了详细的推导和解释。机器能够学习必须满足两个条件：假设空间H的SizeM是有限的，即当N足够大的时候，那么对于假设空间中任意一个假设g，Eout≈Ein。利用算法A从假设空间H中，挑选一个g，使Ein(g)≈0，则Eout≈0。这两个条件，正好对应着test和trian两个过程。train的目的是使损失期望Ein(g)≈0
硌手小石头·2020-02-16 10:21

连载 | 机器学习基石 Lec 9: 线性回归

Tips：未进行解释的符号主要参照lec1，部分需要参照其他lec～前面几个Lecture介绍了whycanML？并介绍了一个简单的model：PLA。有了理论保障，如何设计algorithm？下面进入HowcanML阶段^-^Lec9：LinearRegression前面提到的基本是binaryclassification，如银行根据顾客信息决定是否发放信用卡……如果换成银行想得到的是顾客的信用
青禾ws·2020-02-16 09:20

Resource

机器学习基石bloghttp://blog.fukuball.com/machine-learning-foundations-by-lin-xuan-tian-di-jiang-xue-xi-bi-ji
瞧瞧以瞧瞧·2020-02-14 14:20

机器学习丨《机器学习》、《统计学习方法》思维导图

学习资源公开课入门机器学习-吴恩达进阶CS229-吴恩达DS-GA1003机器学习基石-林轩田机器学习技法-林轩田书入门AnIntroductiontoStatisticalLearning《统计学习方法
vincent1997·2020-02-04 14:00

台湾大学林轩田机器学习基石课程

笔记1--TheLearningProblem最近在看NTU林轩田的《机器学习基石》课程，个人感觉讲的非常好。整个基石课程分成四个部分：·WhenCanMachineLearn?
wangprince2017·2020-01-04 22:32

连载 | 机器学习基石 Lec 4: Machine Learning的可行性 & 霍夫丁不等式

Lec4：FeasibilityofLearning上一章中我们介绍了各种各样的机器学习，本门课的着重点是binaryclassificationorregressionfromabatchofsuperviseddatawithconcretefeatures.这一章（实际还要加上接下来的Lec6和7）介绍机器学习是不是可行的？！这是个有趣的问题（＾_＾）机器学习当前如此热门，答案当然是可行的，
青禾ws·2020-01-03 12:58

台湾大学林轩田机器学习基石课程学习笔记6 -- Theory of Generalization

上一节课，我们主要探讨了当M的数值大小对机器学习的影响。如果M很大，那么就不能保证机器学习有很好的泛化能力，所以问题转换为验证M有限，即最好是按照多项式成长。然后通过引入了成长函数mH(N)和dichotomy以及breakpoint的概念，提出2Dperceptrons的成长函数mH(N)是多项式级别的猜想。这就是本节课将要深入探讨和证明的内容。一、RestrictionofBreakPoint
红色石头Will·2020-01-01 21:18

林轩田机器学习基石(1)：The Learning Problem

机器学习基石课程大概八周，分为四个部分：WhenCanMachinesLearn?WhyCanMachinesLearn?HowCanMachinesLearn?
nlpjoe·2020-01-01 04:27

机器学习基石笔记：Homework #1 PLA&PA相关习题

问题描述图115-17图218-20程序实现#coding:utf-8importnumpyasnpimportmatplotlib.pyplotaspltimporttimedefread_data(dataFile):withopen(dataFile,'r')asfile:data_list=[]forlineinfile.readlines():line=line.strip().spli
cherryleechen·2019-12-18 11:51

机器学习基石课程第一讲

1、课程设计这门课从基础入手，而不是从方法或者技术入手。什么时候用机器学习？为什么机器可以学习？机器如何用于学习？机器怎么可以学的更好？2、什么时候用机器学习？什么是学习？从观察出发，最终转化为技能什么是学习什么是机器学习？什么是机器学习比如我们想要辨识一棵树，我们是定义了100条规则，然后根据这100条规则来判断么？这太难了，我们想要机器能够自动建立一个辨识系统，来判断是否是一棵树，所以机器学习
文哥的学习日记·2019-12-16 22:45

《机器学习基石》课程学习总结（二）

一、寻找函数g的Pocket算法前文提到，PLA算法有效的前提是D要是线性可分的，D中的数据可以看做由f产生而来。这样的假设过于理想化，现实中，D里面总会掺杂一些噪声数据（noisedata），这些数据并不是从理想的f产生而来。这些噪声数据会带来哪些影响？有了噪声数据，D可能就不是线性可分了，PLA算法也就不再有效，而且，即使D还是线性可分的，噪声数据也会对最后选择的g产生干扰，影响g与f的相似度
milter·2019-12-13 20:14

14天入门与进阶机器学习

林轩田老师的机器学习课程，分为《机器学习基石》与《机器学习技法》。没听说过的可以搜一下，个人觉得这是入门和进阶最好的课程，比吴恩达的好很多。面向群众：机器学习理论入门与进阶。
nlpjoe·2019-12-08 10:06

连载 | 机器学习基石 Lec 6：Bounding Function & VC bound

Tips：所有没有进行解释说明的符号含义均参照之前的章节Lec～上一节介绍了级联上限存在过分估计的问题，我们欲寻求一个多项式mH（N）取代M，并给出了成长函数、breakpoint的定义，这节将证明如果存在breakpoint，成长函数会是多项式型的。Lec6：TheoryofGeneralization先回顾一下四种成长函数，成长函数mH（N）代表dichotomies最大数量：1、Restri
青禾ws·2019-11-08 21:02

林轩田机器学习基石课程学习笔记3

（转载）林轩田机器学习基石课程学习笔记3上节课我们主要介绍了解决线性分类问题的一个简单的方法：PLA。PLA能够在平面中选择一条直线将样本数据完全正确分类。
nupt想象之中·2019-11-08 11:00

林轩田机器学习基石课程学习笔记2

（转载）林轩田机器学习基石课程学习笔记2—LearningtoAnswerYes/No前面，我们主要简述了机器学习的定义及其重要性，并用流程图的形式介绍了机器学习的整个过程：根据模型H，使用演算法A，在训练样本
nupt想象之中·2019-11-08 10:00
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他