这是一份持续更新的机器学习笔记!(附学习资料)
这是一份持续更新的机器学习笔记!(附学习资料)
很多非科班的同学刚开始接触机器学习，可能会被机器学习模型的复杂数学推导所劝退，又或者对于机器学习整体没有一个框架和概念，无法清晰区分不同模型之间的差距机器学习笔记从读者的角度来理解每一个机器学习模型，更加适合刚开始学习的同学进行学习这一期主要是给大家推荐一个持续更新的高质量机器学习笔记这一部分主要是介绍机器学习概念和目的，机器学习的类别，监督学习中的分类和回归问题，无监督学习的聚类分析，机器学习中的参数化模型和非参数化模型等，属于机器学习的基础内容
概率对于机器学习模型是非常重要的，这一部分首先介绍概率论的基础内容，联合概率，条件概率，贝叶斯规则，独立分布和有条件独立分布，连续随机变量等这一部分主要是介绍离散数据的生成模型，从贝叶斯概念开始，到似然率，再到先验概率，后验概率的介绍，其次介绍beta二项模型，狄利克雷多项式模型，朴素贝叶斯分类器等这一部分本章要讲的是多元高斯分布(multivariate Gaussian),或者多元正态分布(multivariate normal ,缩写为MVN)模型,这个分布是对于连续变量的联合概率密度函数建模来说最广泛的模型了，未来要学习的其他很多模型也都是以此为基础的对未知变量,使用后验分布来总结我们知道的信息,这就是贝叶斯统计学的核心思想，在本章要对这个统计学上的方法进行更详细讲解,在本书第六章,也就是下一章,会讲解另一种统计方法,也就是频率论统计,或者也叫做经典统计线性回归是统计学和(监督)机器学习里面的基本主力，使用核函数或者其他形式基函数来扩展之后, 还可以用来对非线性关系进行建模，把高斯输出换成伯努利或者多元伯努利分布, 就还可以用到分类上面,这些后文都会讲到逻辑回归是用于解决二分类问题的模型，了解其与sigmoid函数的区别，逻辑回归虽然模型简单，但是在建模上非常有效，同时也具有较好的解释性，所以应用广泛线性回归是最简单的线性模型，其实逻辑回归也是线性模型的一种，属于广义的线性模型，正态(高斯)分布,伯努利分布(Bernoulli),学生T分布,均匀分布,γ分布等等.这些大多数都属于指数族分布(exponential family)，指数族分布很广泛，了解其共性特征是有必要的图模型是通过设置条件独立性假设来表示一个联合分布，具体来说就是图上的节点表示随机变量,而(缺乏的)边缘表示条件独立性假设(对这类模型的更好命名应该是独立性图,不过图模型这个叫法已经根深蒂固了.)有几种不同类型的图模型,取决于图是有向(directed)/无向(undirected)/或者两者结合此外，还有关于高斯混合模型，EM模型之类的介绍，这一类算法现在用的比较少，但是也是可以看一下的，这个笔记还没有完整囊括所有的机器学习算法，后续还在更新中上面的资料做了一些整理，有需要的同学可以获取（仅供学习使用）2. 发送口令“ML笔记”领取（人工回复可能有时差，都会发给大家的，不用着急）
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。
10个月宝宝每天需要喝多少奶粉？
