Stanford CS229 机器学习笔记
需积分: 4 195 浏览量
2022-11-24
11:46:32
上传
评论
收藏 70.62MB PDF 举报
目录
附录Ⅰ、机器学习的实用建议
2
附录Ⅱ、提升（Boosting）
13
附录Ⅲ、决策
树 20
附录Ⅳ、集成学习
31
附录Ⅴ、高斯过程
36
附录Ⅵ、多元高斯分布
47
附录Ⅶ、
更多关于多元高斯分布 54
附录Ⅷ、
Hoeffding 不等式 61
附录Ⅸ、
损失函数 66
附录Ⅹ、
凸优化概述 71
附录Ⅺ、
隐马尔可夫模型基础 91
附录Ⅻ、
策略梯度 100
附录 XIII 、
表示函数 104
第一章
第一部分 监督学习（Supervised learning） 112
第二部分 分类和逻辑回归（Classification and logistic regression 124
第三部分 广义线性模型 (Generalized Linear Models) 128
第二章
第四部分 生成学习算法(Generative Learning algorithms) 135
第三章
第五部分 支持向量机(Support Vector Machines) 145
第四章
第六部分 学习理论（Learning Theory） 165
第五章
第七部分 正则化与模型选择 175
第六章 感知器和大型边界分类器 180
第七章
第八部分 k 均值聚类算法(k-means clustering algorithm) 182
第八章
第九部分 期望最大化算法(EM algorithm) 186
第九章
第十部分 因子分析（Factor analysis） 193
第十章
第十一部分 主成分分析（Principal components analysis） 199
第十一章
第十二部分 独立成分分析（Independent Components Analysis ） 205
第十二章
第十三部分 强化学习（Reinforcement Learning）和控制（Control） 209
第十三章
第十四部分 线性二次调节，微分动态规划，线性二次高斯分布 226
第十四章 关于反向传播(Backpropagation)的附加讲义 235
第十五章 深度学习(Deep Learning) 238
1
剩余248页未读，继续阅读
资源评论
