【推荐】Stanford机器学习课程IPN笔记

点击上方 “机器学习研究会”可以订阅

摘要

 

转自：子实

简介

作者：子实

机器学习笔记，使用 jupyter notebook (ipython notebook) 编写展示。

Github 加载 .ipynb 的速度较慢，建议在 Nbviewer 中查看该项目。

---

目录

来自斯坦福网络课程《机器学习》的笔记，可以在斯坦福大学公开课：机器学习课程观看。

根据视频内容，对每一讲的名称可能会有所更改（以更好的体现各讲的教学内容）。

• 【第1讲】 机器学习的动机与应用（主要是课程要求与应用范例，没有涉及机器学习的具体计算内容）

• 【第2讲】 监督学习应用-线性回归

• 【第3讲】 线性回归的概率解释、局部加权回归、逻辑回归

• 【第4讲】 牛顿法、一般线性模型

• 【第5讲】 生成学习算法、高斯判别分析、朴素贝叶斯算法

• 【第6讲】 事件模型、函数间隔与几何间隔

• 【第7讲】 最优间隔分类器、拉格朗日对偶、支持向量机

• 【第8讲】 核方法、序列最小优化算法

• 【第9讲】 经验风险最小化

• 【第10讲】 交叉验证、特征选择

• 【第11讲】 贝叶斯统计、机器学习应用建议

• 【第12讲】 $k$-means算法、高斯混合模型及最大期望算法

• 【第13讲】 最大期望算法及其应用、因子分析模型

• 【第14讲】 因子分析的EM算法、主成分分析

• 【第15讲】 PCA的奇异值分解、独立成分分析

• 【第16讲】 马尔可夫决策过程

• 【第17讲】 解连续状态的MDP

• 【第18讲】 线性二次调节

• 【第19讲】 微分动态规划及线性二次型高斯

• 【第20讲】 策略搜索算法

---

• 【参考笔记1】 线性代数复习及参考

• 【参考笔记2】 概率论复习

• 【参考笔记3】 MATLAB入门

• 【参考笔记4】 凸优化概述1

• 【参考笔记5】 凸优化概述2

• 【参考笔记6】 隐式马尔可夫模型

• 【参考笔记7】 多元高斯分布

• 【参考笔记8】 更多关于多元高斯分布的知识

• 【参考笔记9】 高斯过程

笔记格式借鉴Jin Li的机器学习笔记。

原文链接：

https://github.com/zlotus/notes-LSJU-machine-learning

“完整内容”请点击【阅读原文】

↓↓↓