notes-LSJU-machine-learning (/github/zlotus/notes-LSJU-machine-learning/tree/master)
/ ReadMe.ipynb (/github/zlotus/notes-LSJU-machine-learning/tree/master/ReadMe.ipynb)
机器学习笔记
简介
作者：子实
机器学习笔记，使用 jupyter notebook (ipython notebook) 编写展示。
Github 加载 .ipynb 的速度较慢，建议在 Nbviewer (http://nbviewer.jupyter.org/github/zlotus/notes-LSJU-machine-learning/blob/master/ReadMe.ipynb?
flush_cache=true) 中查看该项目。
目录
来自斯坦福网络课程《机器学习》的笔记，可以在斯坦福大学公开课：机器学习课程 (http://open.163.com/special/opencourse/machinelearning.html)观
看。
根据视频内容，对每一讲的名称可能会有所更改（以更好的体现各讲的教学内容）。
【第1讲】 机器学习的动机与应用（主要是课程要求与应用范例，没有涉及机器学习的具体计算内容）
【第2讲】 监督学习应用-线性回归 (chapter02.ipynb)
【第3讲】 线性回归的概率解释、局部加权回归、逻辑回归 (chapter03.ipynb)
【第4讲】 牛顿法、一般线性模型 (chapter04.ipynb)
【第5讲】 生成学习算法、高斯判别分析、朴素贝叶斯算法 (chapter05.ipynb)
【第6讲】 事件模型、函数间隔与几何间隔 (chapter06.ipynb)
【第7讲】 最优间隔分类器、拉格朗日对偶、支持向量机 (chapter07.ipynb)
【第8讲】 核方法、序列最小优化算法 (chapter08.ipynb)
【第9讲】 经验风险最小化 (chapter09.ipynb)
【第10讲】 交叉验证、特征选择 (chapter10.ipynb)
【第11讲】 贝叶斯统计、机器学习应用建议 (chapter11.ipynb)
【第12讲】 -means算法、高斯混合模型及最大期望算法 (chapter12.ipynb)
【第13讲】 最大期望算法及其应用、因子分析模型 (chapter13.ipynb)
【第14讲】 因子分析的EM算法、主成分分析 (chapter14.ipynb)
【第15讲】 PCA的奇异值分解、独立成分分析 (chapter15.ipynb)
【第16讲】 马尔可夫决策过程 (chapter16.ipynb)
【第17讲】 解连续状态的MDP (chapter17.ipynb)
【第18讲】 线性二次调节 (chapter18.ipynb)
【第19讲】 微分动态规划及线性二次型高斯 (chapter19.ipynb)
【第20讲】 策略搜索算法 (chapter20.ipynb)
【参考笔记1】 线性代数复习及参考
【参考笔记2】 概率论复习 (sn02.ipynb)
【参考笔记3】 MATLAB入门
【参考笔记4】 凸优化概述1
【参考笔记5】 凸优化概述2
【参考笔记6】 隐式马尔可夫模型 (sn06.ipynb)
【参考笔记7】 多元高斯分布 (sn07.ipynb)
【参考笔记8】 更多关于多元高斯分布的知识 (sn08.ipynb)
【参考笔记9】 高斯过程
笔记格式借鉴Jin Li (https://github.com/lijin-THU/)的机器学习笔记 (https://github.com/lijin-THU/notes-machine-learning)。
k
剩余157页未读，继续阅读
资源评论
