相关文章
- 机器学习平台架构系列-1-klubeflow
- 李宏毅机器学习_10-4无监督学习-自编码器
- (《机器学习》完整版系列)第7章 贝叶斯分类器——7.8 再谈极大似然(对数边际似然)
- (《机器学习》完整版系列)第7章 贝叶斯分类器——7.5 特殊的半朴素贝叶斯分类器(SPODE、TAN、AODE,研究特殊的“父子”关系)
- (《机器学习》完整版系列)第6章 支持向量机SVM——6.4 软间隔与正则化、支持向量回归
- (《机器学习》完整版系列)第4章 线性模型——4.2 划分选择与剪枝(此事“信息量好大”,暗指该事件不平常)
- (《机器学习》完整版系列)第2章 模型评估与选择 ——2.9 (实战)在机器学习开发实践中如何改善学习器的性能?可使用“人类基准”
- (《机器学习》完整版系列)第2章 模型评估与选择 ——2.3 恭喜:高考你被录取了!
- (《机器学习》完整版系列)附录 ——6、指示函数及应用(将分段函数表达成一个式子的技术)
- (《机器学习》完整版系列)第15章 规则学习——15.11 基于逆归结的机器证明
- (《机器学习》完整版系列)第14章 概率图模型——14.9 变分推断的详细推导(找一个“数学性质好的分布”来近似代替)
- (《机器学习》完整版系列)第14章 概率图模型——14.8 吉布斯采样算法的详细推导(将“多变量”联合采样变为交替地“单变量”采样)
- (《机器学习》完整版系列)第12章 计算学习理论——12.7 定理的证明技巧(烧脑的数学,好玩的技巧)
- (《机器学习》完整版系列)第11章 特征选择与稀疏学习——11.3 包裹式选择(特征选择的LVW算法:打开包裹)
- (《机器学习》完整版系列)第10章 降维与度量学习——10.10 度量学习(将欧氏距离推广成马氏距离)
- (《机器学习》完整版系列)第10章 降维与度量学习——10.8 流形学习(等度量映射Isomap算法、局部线性嵌入LLE算法)
- (《机器学习》完整版系列)第10章 降维与度量学习——10.2 低维嵌入(立交桥就是嵌入三维空间中的二维)
- (《机器学习》完整版系列)第9章 聚类——9.5 密度聚类与层次聚类(DBSCAN算法、AGNES算法)
- 机器学习播客
- 机器学习笔记之玻尔兹曼机(三)基于平均场理论变分推断的梯度求解(续)
- 机器学习笔记之高斯分布(一)——使用极大似然估计计算最优参数
- Andrew Ng机器学习公开课笔记–Reinforcement Learning and Control
- 干货|机器学习-感知机perceptron
- 大数据分析:机器学习算法实现的演化
- Python机器学习零基础理解随机森林算法
- 【吴恩达机器学习】第八周课程精简笔记——无监督学习和降维
- 如何解决机器学习中数据不平衡问题(转)
- 机器学习基本模型与算法在线实验闯关