Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi
- Seiten
- 15
- Định dạng
- Dung lượng
- 1.1 MB
- Ngôn ngữ
- EN · English
- Năm
- 2018
- Trường
- Stanford University
- Aufrufe
- 0
- Kommentare
- 0
- Lượt tải
- 0
Vorschau wird generiert...
Tài liệu cheatsheet tổng hợp các khái niệm và công thức chính trong học máy, bao gồm học có giám sát, không giám sát, học sâu, mẹo và mẹo, và kiến thức toán cơ bản.
- Dokumentenname
- Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi
- Schule / Kurs
- Stanford University · Machine learning
- Autor (im Dokument)
- Afshine Amidi and Shervine Amidi
- Inhalt
- Đây là bản tóm tắt chi tiết về học máy, bao gồm các phương pháp học có giám sát, không giám sát, học sâu, cùng các kỹ thuật và kiến thức nền tảng cần thiết. Tài liệu được biên soạn cho khóa học CS 229 tại Stanford.
- Inhaltsverzeichnis
- 1 Supervised Learning
- 1.1 Introduction to Supervised Learning
- 1.2 Notations and general concepts
- 1.3 Linear models
- 1.3.1 Linear regression
- 1.3.2 Classification and logistic regression
- 1.3.3 Generalized Linear Models
- 1.4 Support Vector Machines
- 1.5 Generative Learning
- 1.5.1 Gaussian Discriminant Analysis
- 1.5.2 Naive Bayes
- 1.6 Other non-parametric approaches
- 1.7 Learning Theory
- 2 Unsupervised Learning
- 2.1 Introduction to Unsupervised Learning
- 2.2 Clustering
- 2.2.1 Expectation-Maximization
- 2.2.2 k-means clustering
- 2.2.3 Hierarchical clustering
- 2.2.4 Clustering assessment metrics
- 2.3 Dimension reduction
- 2.3.1 Principal component analysis
- 2.3.2 Independent component analysis
- 3 Deep Learning
- 3.1 Neural Networks
- 3.2 Convolutional Neural Networks
- 3.3 Recurrent Neural Networks
- 3.4 Reinforcement Learning and Control
- 4 Machine Learning Tips and Tricks
- 4.1 Metrics
- 4.1.1 Classification
- 4.1.2 Regression
- 4.2 Model selection
- 4.3 Diagnostics
- 5 Refreshers
- 5.1 Probabilities and Statistics
- 5.1.1 Introduction to Probability and Combinatorics
- 5.1.2 Conditional Probability
- 5.1.3 Random Variables
- 5.1.4 Jointly Distributed Random Variables
- 5.1.5 Parameter estimation
- 5.2 Linear Algebra and Calculus
- 5.2.1 General notations
- 5.2.2 Matrix operations
- 5.2.3 Matrix properties
- 5.2.4 Matrix calculus
- Seiten
- 15 Seiten
- Hochgeladen von
- Uni24h
Beschreibung
Trích nội dung tài liệu
https://stanford.edu/~shervine CS 229 – Machine Learning Super VIP Cheatsheet: Machine Learning Afshine Amidi and Shervine Amidi August 23, 2018 Contents 1 Supervised Learning 1.1 Introduction to Supervised Learning . . . . . . . . . . . . . . . . . . . 1.2 Notations and general concepts . . . . . . . . . . . . . . . . . . . . . 1.3 Linear models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.1 Linear regression . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.2 Classification and logistic regression . . . . . . . . . . . . . . . 1.3.3 Generalized Linear Models . . . . . . . . . . . . . . . . . . . . 1.4 Support Vector Machines . . . . . . . . . . . . . . . . . . . . . . . . 1.5 Generative Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.5.1 Gaussian Discriminant Analysis . . . . . . . . . . . . . . . . . 1.5.2 Naive Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6 Other non-parametric approaches . . . . . . . . . . . . . . . . . . . . 1.7 Learning Theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 2 2 2 3 3 3 4 4 4 4 4 2 Unsupervised Learning 2.1 Introduction to Unsupervised Learning . . . . . . . . . . . . . . . . . 2.2 Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1 Expectation-Maximization . . . . . . . . . . . . . . . . . . . . 2.2.2 k-means clustering . . . . . . . . . . . . . . . . . . . . . . . . 2.2.3 Hierarchical clustering . . . . . . . . . . . . . . . . . . . . . . 2.2.4 Clustering assessment metrics . . . . . . . . . . . . . . . . . . 2.3 Dimension reduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1 Principal component analysis . . . . . . . . . . . . . . . . . . 2.3.2 Independent component analysis . . . . . . . . . . . . . . . . . 5 5 5 5 6 6 6 6 6 7 3 Deep Learning 3.1 Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Convolutional Neural Networks . . . . . . . . . . . . . . . . . . . . . 3.3 Rec
Häufig gestellte Fragen
Ist dieses Dokument kostenlos?
Ja. „Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi“ ist kostenlos — melden Sie sich einfach an und klicken Sie auf Herunterladen, um die Originaldatei zu erhalten.
Wie viele Seiten hat dieses Dokument?
Das Dokument hat 15 Seiten, für den Kurs Machine learning. Sie können es vor dem Herunterladen online in der Vorschau ansehen.
Kann ich vor dem Herunterladen eine Vorschau ansehen?
Ja. Sie können sich dieses Dokument direkt auf dieser Seite im Online-Reader ansehen und dann entscheiden, ob Sie es herunterladen möchten.
Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi
Vorschau wird generiert...
Trích nội dung tài liệu
https://stanford.edu/~shervine CS 229 – Machine Learning Super VIP Cheatsheet: Machine Learning Afshine Amidi and Shervine Amidi August 23, 2018 Contents 1 Supervised Learning 1.1 Introduction to Supervised Learning . . . . . . . . . . . . . . . . . . . 1.2 Notations and general concepts . . . . . . . . . . . . . . . . . . . . . 1.3 Linear models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.1 Linear regression . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.2 Classification and logistic regression . . . . . . . . . . . . . . . 1.3.3 Generalized Linear Models . . . . . . . . . . . . . . . . . . . . 1.4 Support Vector Machines . . . . . . . . . . . . . . . . . . . . . . . . 1.5 Generative Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.5.1 Gaussian Discriminant Analysis . . . . . . . . . . . . . . . . . 1.5.2 Naive Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6 Other non-parametric approaches . . . . . . . . . . . . . . . . . . . . 1.7 Learning Theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 2 2 2 3 3 3 4 4 4 4 4 2 Unsupervised Learning 2.1 Introduction to Unsupervised Learning . . . . . . . . . . . . . . . . . 2.2 Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1 Expectation-Maximization . . . . . . . . . . . . . . . . . . . . 2.2.2 k-means clustering . . . . . . . . . . . . . . . . . . . . . . . . 2.2.3 Hierarchical clustering . . . . . . . . . . . . . . . . . . . . . . 2.2.4 Clustering assessment metrics . . . . . . . . . . . . . . . . . . 2.3 Dimension reduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1 Principal component analysis . . . . . . . . . . . . . . . . . . 2.3.2 Independent component analysis . . . . . . . . . . . . . . . . . 5 5 5 5 6 6 6 6 6 7 3 Deep Learning 3.1 Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Convolutional Neural Networks . . . . . . . . . . . . . . . . . . . . . 3.3 Rec
- Dokumentenname
- Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi
- Schule / Kurs
- Stanford University · Machine learning
- Autor (im Dokument)
- Afshine Amidi and Shervine Amidi
- Inhalt
- Đây là bản tóm tắt chi tiết về học máy, bao gồm các phương pháp học có giám sát, không giám sát, học sâu, cùng các kỹ thuật và kiến thức nền tảng cần thiết. Tài liệu được biên soạn cho khóa học CS 229 tại Stanford.
- Inhaltsverzeichnis
- 1 Supervised Learning
- 1.1 Introduction to Supervised Learning
- 1.2 Notations and general concepts
- 1.3 Linear models
- 1.3.1 Linear regression
- 1.3.2 Classification and logistic regression
- 1.3.3 Generalized Linear Models
- 1.4 Support Vector Machines
- 1.5 Generative Learning
- 1.5.1 Gaussian Discriminant Analysis
- 1.5.2 Naive Bayes
- 1.6 Other non-parametric approaches
- 1.7 Learning Theory
- 2 Unsupervised Learning
- 2.1 Introduction to Unsupervised Learning
- 2.2 Clustering
- 2.2.1 Expectation-Maximization
- 2.2.2 k-means clustering
- 2.2.3 Hierarchical clustering
- 2.2.4 Clustering assessment metrics
- 2.3 Dimension reduction
- 2.3.1 Principal component analysis
- 2.3.2 Independent component analysis
- 3 Deep Learning
- 3.1 Neural Networks
- 3.2 Convolutional Neural Networks
- 3.3 Recurrent Neural Networks
- 3.4 Reinforcement Learning and Control
- 4 Machine Learning Tips and Tricks
- 4.1 Metrics
- 4.1.1 Classification
- 4.1.2 Regression
- 4.2 Model selection
- 4.3 Diagnostics
- 5 Refreshers
- 5.1 Probabilities and Statistics
- 5.1.1 Introduction to Probability and Combinatorics
- 5.1.2 Conditional Probability
- 5.1.3 Random Variables
- 5.1.4 Jointly Distributed Random Variables
- 5.1.5 Parameter estimation
- 5.2 Linear Algebra and Calculus
- 5.2.1 General notations
- 5.2.2 Matrix operations
- 5.2.3 Matrix properties
- 5.2.4 Matrix calculus
- Seiten
- 15 Seiten
- Hochgeladen von
- Uni24h
Kommentare (0)
Noch keine Kommentare. Seien Sie der Erste!
Trees notes (06) (Cây quyết định trong Máy học) - Sebastian Raschka
Feat extract slides (14) (Giảm chiều dữ liệu, tập trung vào trích xuất đặc trưng) - Sebastian Raschka
Eval intro slides (08) (Đánh giá mô hình, overfitting và underfitting, phân rã bias-variance trong Máy học) - Sebastian Raschka
Machine learning tips and tricks (Tổng hợp mẹo về học máy)
Eval algo notes (11) (Các kiểm định thống kê và so sánh thuật toán) - Sebastian Raschka
Tổng hợp Đề Toán 5 - Luyện thi vào Lớp 6 - CLB EMath
Bài giảng vật lý đại cương (Chương 3) - Đỗ Ngọc Uấn
Chương 8.Nguyên tử - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
Chương 7.Cơ học lượng tử - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
Chương 6.Quang học lượng tử - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
Kommentare (0)
Noch keine Kommentare. Seien Sie der Erste!