Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi
- ページ数
- 15
- 形式
- サイズ
- 1.1 MB
- 言語
- EN · English
- 年
- 2018
- Trường
- Stanford University
- 閲覧数
- 0
- コメント
- 0
- Lượt tải
- 0
プレビューを生成中...
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.
- ドキュメント名
- Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi
- 学校 / コース
- Stanford University · Machine learning
- 著者（ドキュメント内）
- Afshine Amidi and Shervine Amidi
- 内容
- 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.
- 目次
- 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
- ページ数
- 15 ページ
- アップロード者
- Uni24h
説明
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
よくある質問
このドキュメントは無料ですか？
はい。「Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi」は無料です。ログインして「ダウンロード」をクリックするだけで、元のファイルを取得できます。
このドキュメントは何ページありますか？
このドキュメントは 15 ページあります（Machine learning コース用）。ダウンロードする前にオンラインでプレビューできます。
ダウンロードする前にプレビューできますか？
はい。このページにあるオンラインリーダーでドキュメントをプレビューし、その後ダウンロードするかどうかを決めることができます。
Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi
プレビューを生成中...
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
- ドキュメント名
- Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi
- 学校 / コース
- Stanford University · Machine learning
- 著者（ドキュメント内）
- Afshine Amidi and Shervine Amidi
- 内容
- 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.
- 目次
- 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
- ページ数
- 15 ページ
- アップロード者
- Uni24h
コメント (0)
まだコメントはありません。最初のコメントを書きましょう！
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
コメント (0)
まだコメントはありません。最初のコメントを書きましょう！