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