Nona9961

前言 恋人不行真好看吧 第十五章 15.1 规则学习 在之前的学习中我们的模型大多数都是黑箱模型：我们不知道模型内部到底做了什么运算得到的答案，于是我们希望可以得到一种解释性强的模型，这就是规则学习解

前言 感觉理论学的太多了，该做点实践操作一下了 第十四章 在我们之前学习的基于概率的模型中，进行预测时会涉及三类变量集合：需要推断的目标变量集合 $Y$、可观测到的变量集合 $O$，以及其他相关变量集

前言 夏天快要过去，本书也快接近尾声了。 第十三章 13.1 半监督学习 在此之前，我们讨论的所有学习范式都具有非常明确的边界条件： 监督学习：我们拥有大量带标签的数据样本$(x_i, y_i)$，目

# 前言 好热好热好热 ## 第十二章 本章比较理论，主要说的是凭什么相信机器学习，他为什么能给出一个好的结果：本质是研究泛化误差问题 ### 12.1 基础知识 我们先假设有一个样本集$D =\{

# 前言 感觉看的越来越水，有点想快点到深度学习了 ## 第十一章 在上一章的讨论中，我们探讨了通过数学变换实现数据降维的方法。然而，**降维其实还存在一种更为直接的方式**，那就是简单地舍弃部分数

# 前言 学习的时候脑子抽了把内积和距离混淆了一段时间，希望都改过来了吧 ## 第十章 本章我们要讨论两个**核心内容**：**降维**和**度量学习**。 对于**降维**，其核心思想是将*

## 第九章 在本章之前，我们所有的训练方式都是有监督的训练，本章我们将接触到无监督学习的一种——聚类任务 ### 9.1 聚类与度量 在现实世界中，获取大量的**已标记**数据通常是**昂贵且耗时

# 前言 骑车的时候摔跤了，左膝盖三年第三次受难，难绷 ## 第八章 我们已经学习了足够的常用模型，现在介绍集成学习，这是一种将多种模型结合起来的学习方式 ### 8.1 个体与集成 集成学习是一种

# 前言 五一节狠狠耍了几天，所以学的有些不太认真，哈哈。最后EM算法如果看不太懂的话我建议可以跳过，如果不想跳的话可以动手算算就清楚了 ## 第七章 本章学习**贝叶斯分类器**，需要大家掌握*