题目描述
这里存《ML白板推导》 -Shuhuai008 基于花书,李航《统计学习方法》等一大堆materials
手动目录
12.31: 系列二:数学基础 原版视频链接
①高斯分布- 极大似然分析Maximum likelihood Estimation (Unbiased vs. Biased) 26mins + 20mins P1 P2
②高斯分布- 从概率密度角度观察 From a Probabilistic Perspective P3
③高斯分布- 局限性Limitation P4
④高斯分布- 求边缘概率以及条件概率 Margional probability and Conditional Probability P5
⑤高斯分布- 求联合概率分布 Joint Probability Distribution P6
系列三:线性回归 笔记合集 | 原版视频链接
①最小二乘法 + 几何意义 Least Square Method
②最小二乘法 + 概率视角 =>高斯噪音 L.S. + from probabilitistic perspective MLE
系列四:逻辑回归 笔记 视频链接
①
②
③
④
系列五:降维 笔记 视频链接
①
②
③
系列六:支持向量机 笔记 视频链接
定理:
①
②
③
直觉:
原理:
… 23 【13】系列 to go
目前图片还没裁切。待日后正确裁切使得每一页在每一页上(NLP’s joke =-=)。
Previous post: Original video
目录 | 笔记 | 视频链接 |
---|---|---|
1 机器学习开篇 | ||
2 数学基础 | ||
3 线性回归 | ||
4 线性分类 | ||
5 降维 | ||
6 支持向量机 | ||
7 核方法 | ||
8 指数分布族 | ||
9 概率图模型 | ||
10 EM算法 | ||
11 高斯混合模型 | ||
12 变分推断 | ||
13 马尔科夫蒙特卡罗采样 | ||
14 隐马尔科夫模型 | ||
15 卡曼滤波 | ||
17 条件随机场 | ||
19 贝叶斯线性回归 | ||
22 谱聚类暂缺 | ||
23 强化学习 | ||
who says it’s the end |
样例 Log
2020.12.29日开始汇总
2020.12.30
暂定:①思维脑图(章节内) MarginNotes /XMind
②Lists essential items
③
④ 习题/应用Application as example
一套系统的学习法应少于五种颜色,统一/一致性consistent的colorcode
Notes:调整逻辑结构,改变知识框架还是需要我们手动完成。只有经历了这个过程,把每一点知识嚼碎捋顺,再按照自己的语言重新表达,也就是把知识块重新摆放和连接的过程,知识才会真正内化为自己的一部分,内化完成才意味着我们可以随时从自己的脑子里把学到的东⻄掏出来,而不是禁锢于某本书的实体
Effective Python 真乃神书。逻辑缜密,系统,结构化,避免绕来绕去降低error概率,易维护(傻瓜dummycode-proof)。
CS229
1. Diagnostics for debugging learning algorithms.
2. Error analyses and ablative analysis.
3. How to get started on a machine learning problem.
– Premature (statistical) optimization.
这种Dignostics诊断有点像医院🏥医生检查,按(一整套很系统的各种情景的)表单对应处理。
CS224 NLP 2019版 🉑
UCL Intro to ML也还行x DeepMind Deep Learning