我们可以从人类的学习思维入手。人类的学习过程，是从观察出发，经过大脑内化以后，变成有用的技巧。机器学习，类似地，是我们希望能让电脑模拟类似的过程。这时，电脑的观察到的东西被称作是数据，而思考过程实际上是计算过程，技巧则是增强某一方面的表现。
提示：文章中图片丢失，可从下面 PDF 中寻找。
PDF 版本：https://www.wenjiangs.com/wp-content/uploads/2025/03/hf1NwNqzftlSD5jY.zip
目录
- NTUML 1. 学习问题
- NTUML 2. 学习判断是与非
- NTUML 3. 机器学习的类型
- NTUML 4. 机器学习的可行性
- NTUML 5. 训练 vs. 测试
- NTUML 6. 一般化理论
- NTUML 7. VC 维
- NTUML 8. 噪声和错误
- NTUML 9. 线性回归
- NTUML 10. Logistic 回归
- NTUML 11. 用于分类问题的线性模型
- NTUML 12. 非线性变换
- NTUML 13. 过拟合的危害
- NTUML 14. 正则化
- NTUML 15. 验证
- NTUML 16. 三条锦囊妙计
- NTUML 17. 线性支持向量机
- NTUML 18. 对偶支持向量机
- NTUML 19. 核支持向量机
- NTUML 20. 软间隔支持向量机
- NTUML 21. 核 Logistic 回归
- NTUML 22. 支持向量回归（SVR）
- NTUML 23. 模型混合与装袋（bagging）
- NTUML 24. 自适应提升算法（Adaptive Boosting）
- NTUML 25. 决策树
- NTUML 26. 随机森林
- NTUML 27. 梯度提升决策树（GBDT）
- NTUML 28. 神经网络
- NTUML 29. 深度学习
- NTUML 30. 径向基函数网络
- NTUML 31. 矩阵分解
- NTUML 32. 结束曲
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论