机器学习笔记
NUS的CS5339机器学习机器学习笔记草稿。 请注意，该草稿目前仍不完整。
到目前为止的内容
1配方
1.1监督学习
1.1.1经验风险最小化（ERM） 1.1.2最大似然估计（MLE） 1.1.3分类损失函数1.1.4最大后验估计（MAPE） 1.1.5贝叶斯估计
1.2无监督学习
1.3判别/生成模型
1.3.1朴素贝叶斯1.3.2线性判别分析（LDA） 1.3.3区分VS生成分类器
1.4特征
1.4.1过滤器1.4.2包装器1.4.3稀疏诱导规范1.4.4常用特征转换方法1.4.5特征学习
2代表
2.1最近邻居（NN）
2.2决策树
2.3线性预测器
2.4支持向量机
2.4.1保证金和硬SVM 2.4.2线性阈值函数的表示能力2.4.3线性阈值函数可以表示多少个函数？
2.5功能的线性组合
2.6内核方法
2.6.1希尔伯特空间2.6.2代表定理2.6.3表征内
评论0