1.斯坦福大学公开课机器学习 (吴恩达 Andrew Ng)

http://open.163.com/special/opencourse/machinelearning.html

笔记

http://cs229.stanford.edu/syllabus.html

http://www.cnblogs.com/jerrylead/default.html?page=3

http://www.cnblogs.com/madrabbit/

https://blog.csdn.net/xiahouzuoxin

https://blog.csdn.net/u010249583

https://blog.csdn.net/stdcoutzyx/article/details/17741475

https://blog.csdn.net/stdcoutzyx/article/details/53869661

https://blog.csdn.net/app_12062011/article/details/50577717

https://blog.csdn.net/antkillerfarm/article/details/52980075

https://www.cnblogs.com/llhthinker/p/5351201.html

https://blog.csdn.net/dingchenxixi/article/details/51479003

随着模型的复杂度增加,虽然偏差会不断减小,但方差先减小后增大,模型的泛化误差也是先减小后增大,因此需要在“欠拟合”和“过拟合”之间寻找合适的模型复杂度。衡量模型的复杂度通常有AIC准则(AkalikeInformation Criterion)、BIC准则(BayesianInformation Criterion)等方法。

https://blog.csdn.net/baidu_35231778/article/details/52221400

2.数学之美

http://mindhacks.cn/2008/09/21/the-magical-bayesian-method/

3.svm

http://www.cnblogs.com/LeftNotEasy/archive/2011/05/02/basic-of-svm.html

http://www.10tiao.com/html/520/201711/2650725003/3.html

https://blog.csdn.net/v_july_v/article/details/7624837

https://blog.csdn.net/lch614730/article/details/17067027

https://www.jianshu.com/u/511ba5d71aef

http://www.cnblogs.com/vipyoumay/p/7560061.html

4.k-means

http://blog.pluskid.org/?p=17

http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006910.html

5.em

https://zhuanlan.zhihu.com/p/24655368

https://blog.csdn.net/zhihua_oba/article/details/73776553

https://www.cnblogs.com/fxjwind/p/3896113.html

https://www.cnblogs.com/xuesong/p/4179459.html

https://www.cnblogs.com/yymn/p/4769736.html

6.pca

https://blog.csdn.net/mmc2015/article/details/42459753

https://blog.csdn.net/chlele0105/article/details/13004499

https://blog.csdn.net/zhangdadadawei/article/details/50929574

https://blog.csdn.net/mmc2015/article/details/42459753

7.svd

https://blog.csdn.net/zhongkejingwang/article/details/43083603

https://blog.csdn.net/xmu_jupiter

http://www.infoq.com/cn/articles/matrix-decomposition-of-recommend-system

https://blog.csdn.net/syani/article/details/52297093

https://blog.csdn.net/american199062/article/details/51344067

8.PRML

https://baijiahao.baidu.com/s?id=1585194960281334902&wfr=spider&for=pc

https://github.com//ctgk/PRML

9.

#--------------------------------

机器学习&深度学习视频资料汇总

https://www.cnblogs.com/baihuaxiu/p/6725223.html

  1. BAT机器学习面试1000题系列每日刷
  2. 从最大似然到EM算法浅解2018.3.7
  3. 机器学习中的PR曲线和ROC曲线2018.3.23
  4. VotingClassifier 模型聚合——投票 2018.3.25
  5. 非平衡数据机器学习 2018.3.25
  6. 机器学习:概率校准 2018.3.25
  7. 机器学习中的损失函数 (着重比较:hinge loss vs softmax loss 2018.3.25
  8. 机器学习常用的分类器比较 2018.3.25
  9. 线性判别分析(Linear Discriminant Analysis) 2018.3.26
  10. 机器学习常用 35 大算法盘点(附思维导图)2018.3.26
  11. 机器学习的分类与主要算法对比 2018.3.26
  12. logistic函数和softmax函数 2018.3.27
  13. Logistic Regression(逻辑回归)原理及公式推导 2018.3.27
  14. 机器学习算法—随机森林实现(包括回归和分类)2018.4.7

http://ykksmile.top/posts/55073/

这位成功转型机器学习的老炮,想把他多年的经验分享给你

https://blog.csdn.net/wemedia/details.html?id=38193

https://www.jianshu.com/u/12201cdd5d7a

code

https://github.com/lzhe72/MachineLearning/

第19月第8天 斯坦福大学公开课机器学习 (吴恩达 Andrew Ng)的更多相关文章

  1. 斯坦福大学公开课机器学习:advice for applying machine learning | diagnosing bias vs. variance(机器学习:诊断偏差和方差问题)

    当我们运行一个学习算法时,如果这个算法的表现不理想,那么有两种原因导致:要么偏差比较大.要么方差比较大.换句话说,要么是欠拟合.要么是过拟合.那么这两种情况,哪个和偏差有关.哪个和方差有关,或者是不是 ...

  2. 斯坦福大学公开课机器学习: machine learning system design | error analysis(误差分析:检验算法是否有高偏差和高方差)

    误差分析可以更系统地做出决定.如果你准备研究机器学习的东西或者构造机器学习应用程序,最好的实践方法不是建立一个非常复杂的系统.拥有多么复杂的变量,而是构建一个简单的算法.这样你可以很快地实现它.研究机 ...

  3. 斯坦福大学公开课机器学习:advice for applying machine learning - deciding what to try next(设计机器学习系统时,怎样确定最适合、最正确的方法)

    假如我们在开发一个机器学习系统,想试着改进一个机器学习系统的性能,我们应该如何决定接下来应该选择哪条道路? 为了解释这一问题,以预测房价的学习例子.假如我们已经得到学习参数以后,要将我们的假设函数放到 ...

  4. 斯坦福大学公开课机器学习:machine learning system design | data for machine learning(数据量很大时,学习算法表现比较好的原理)

    下图为四种不同算法应用在不同大小数据量时的表现,可以看出,随着数据量的增大,算法的表现趋于接近.即不管多么糟糕的算法,数据量非常大的时候,算法表现也可以很好. 数据量很大时,学习算法表现比较好的原理: ...

  5. 斯坦福大学公开课机器学习:machine learning system design | trading off precision and recall(F score公式的提出:学习算法中如何平衡(取舍)查准率和召回率的数值)

    一般来说,召回率和查准率的关系如下:1.如果需要很高的置信度的话,查准率会很高,相应的召回率很低:2.如果需要避免假阴性的话,召回率会很高,查准率会很低.下图右边显示的是召回率和查准率在一个学习算法中 ...

  6. 斯坦福大学公开课机器学习:machine learning system design | error metrics for skewed classes(偏斜类问题的定义以及针对偏斜类问题的评估度量值:查准率(precision)和召回率(recall))

    上篇文章提到了误差分析以及设定误差度量值的重要性.那就是设定某个实数来评估学习算法并衡量它的表现.有了算法的评估和误差度量值,有一件重要的事情要注意,就是使用一个合适的误差度量值,有时会对学习算法造成 ...

  7. 斯坦福大学公开课机器学习: machine learning system design | prioritizing what to work on : spam classification example(设计复杂机器学习系统的主要问题及构建复杂的机器学习系统的建议)

    当我们在进行机器学习时着重要考虑什么问题.以垃圾邮件分类为例子.假如你想建立一个垃圾邮件分类器,看这些垃圾邮件与非垃圾邮件的例子.左边这封邮件想向你推销东西.注意这封垃圾邮件有意的拼错一些单词,就像M ...

  8. 斯坦福大学公开课机器学习: advice for applying machine learning | deciding what to try next(revisited)(针对高偏差、高方差问题的解决方法以及隐藏层数的选择)

    针对高偏差.高方差问题的解决方法: 1.解决高方差问题的方案:增大训练样本量.缩小特征量.增大lambda值 2.解决高偏差问题的方案:增大特征量.增加多项式特征(比如x1*x2,x1的平方等等).减 ...

  9. 斯坦福大学公开课机器学习:advice for applying machine learning | learning curves (改进学习算法:高偏差和高方差与学习曲线的关系)

    绘制学习曲线非常有用,比如你想检查你的学习算法,运行是否正常.或者你希望改进算法的表现或效果.那么学习曲线就是一种很好的工具.学习曲线可以判断某一个学习算法,是偏差.方差问题,或是二者皆有. 为了绘制 ...

随机推荐

  1. scrapy 简单爬虫实验

    利用python的模块requests来爬取百度搜索出来的url 使用环境为python3 #!/use/bin/env python # -*- coding:utf-8 -*- import re ...

  2. BZOJ2938[Poi2000]病毒——AC自动机

    题目描述 二进制病毒审查委员会最近发现了如下的规律:某些确定的二进制串是病毒的代码.如果某段代码中不存在任何一段病毒代码,那么我们就称这段代码是安全的.现在委员会已经找出了所有的病毒代码段,试问,是否 ...

  3. day10 递归

    死循环,因此递归必须要定义一个明确的结束条件 def calc(n): print(n) calc(n) calc(10) return 表示终止符号,最终会得出一个确切的返回值,且可以赋值 def ...

  4. day9 函数练习题

    写代码,接受n个数字,求这些数字的和 def sum_func(*args): total = 0 for i in args: total+=i return total print(sum_fun ...

  5. 【BZOJ3551】【BZOJ3545】 【ONTAK2010】 Peaks (kruskal重构树+主席树)

    Description ​ 在\(Bytemountains\)有\(~n~\)座山峰,每座山峰有他的高度\(~h_i~\). 有些山峰之间有双向道路相连,共\(~m~\)条路径,每条路径有一个困难值 ...

  6. 洛谷 P1984 [SDOI2008]烧水问题 解题报告

    P1984 [SDOI2008]烧水问题 题目描述 把总质量为1kg的水分装在n个杯子里,每杯水的质量均为(1/n)kg,初始温度均为0℃.现需要把每一杯水都烧开.我们可以对任意一杯水进行加热.把一杯 ...

  7. IPython Notebook 运行python Spark程序

    1.安装pip 因为centos7.0自带的python系统是2.7.5,并没有安装pip,需要先安装pip $ wget https://bootstrap.pypa.io/get-pip.py $ ...

  8. A1071. Speech Patterns

    People often have a preference among synonyms of the same word. For example, some may prefer "t ...

  9. 【UVA10140】Prime Distance

    题目大意:求出一个给定区间 [l, r] 内相邻素数之间的最大距离和最小距离. 题解:由于 l, r 的范围太大,没法直接用筛法得出区间的素数.考虑筛出区间的素数等价于筛掉区间内的所有和数, 根据算术 ...

  10. Vector 是线程安全的,是不是在多线程下操作Vector就可以不用加Synchronized

    如标题一样,如果之前让我回答,我会说,是的,在多线程的环境下操作Vector,不需要加Synchronized. 但是我今天无意间看到一篇文章,我才发现我之前的想法是错误的,这篇文章的地址: http ...