小册描述
目录
- 01 | 频率视角下的机器学习
- 02 | 贝叶斯视角下的机器学习
- 03 | 学什么与怎么学
- 04 | 计算学习理论
- 05 | 模型的分类方式
- 06 | 模型的设计准则
- 07 | 模型的验证方法
- 08 | 模型的评估指标
- 09 | 实验设计
- 10 | 特征预处理
- 11 | 基础线性回归:一元与多元
- 12 | 正则化处理:收缩方法与边际化
- 13 | 线性降维:主成分的使用
- 14 | 非线性降维:流形学习
- 15 | 从回归到分类:联系函数与降维
- 16 | 建模非正态分布:广义线性模型
- 17 | 几何角度看分类:支持向量机
- 18 | 从全局到局部:核技巧
- 19 | 非参数化的局部模型:K近邻
- 20 | 基于距离的学习:聚类与度量学习
- 21 | 基函数扩展:属性的非线性化
- 22 | 自适应的基函数:神经网络
- 23 | 层次化的神经网络:深度学习
- 24 | 深度编解码:表示学习
- 25 | 基于特征的区域划分:树模型
- 26 | 集成化处理:Boosting与Bagging
- 27 | 万能模型:梯度提升与随机森林
- 28 | 最简单的概率图:朴素贝叶斯
- 29 | 有向图模型:贝叶斯网络
- 30 | 无向图模型:马尔可夫随机场
- 31 | 建模连续分布:高斯网络
- 32 | 从有限到无限:高斯过程
- 33 | 序列化建模:隐马尔可夫模型
- 34 | 连续序列化模型:线性动态系统
- 35 | 精确推断:变量消除及其拓展
- 36 | 确定近似推断:变分贝叶斯
- 37 | 随机近似推断:MCMC
- 38 | 完备数据下的参数学习:有向图与无向图
- 39 | 隐变量下的参数学习:EM方法与混合模型
- 40 | 结构学习:基于约束与基于评分