Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi
- 페이지 수
- 15
- 형식
- 크기
- 1.1 MB
- 언어
- EN · English
- 연도
- 2018
- Trường
- Stanford University
- 조회수
- 0
- 댓글
- 0
- Lượt tải
- 0
미리보기 생성 중...
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.
- 문서명
- Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi
- 학교 / 강의
- Stanford University · Machine learning
- 작성자 (문서 내)
- Afshine Amidi and Shervine Amidi
- 내용
- 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.
- 목차
- 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
- 페이지 수
- 15 페이지
- 업로더
- Uni24h
설명
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
자주 묻는 질문
이 문서는 무료인가요?
네. “Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi” 문서는 무료입니다. 로그인 후 '다운로드'를 클릭하여 원본 파일을 받으세요.
이 문서는 몇 페이지로 되어 있나요?
이 문서는 15페이지입니다, Machine learning 과정용. 다운로드하기 전에 온라인으로 미리 볼 수 있습니다.
다운로드하기 전에 미리 볼 수 있나요?
네. 이 페이지의 온라인 리더를 통해 문서를 미리 본 후 다운로드 여부를 결정할 수 있습니다.
Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi
미리보기 생성 중...
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
- 문서명
- Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi
- 학교 / 강의
- Stanford University · Machine learning
- 작성자 (문서 내)
- Afshine Amidi and Shervine Amidi
- 내용
- 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.
- 목차
- 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
- 페이지 수
- 15 페이지
- 업로더
- Uni24h
댓글 (0)
댓글이 없습니다. 첫 댓글을 남겨보세요!
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
댓글 (0)
댓글이 없습니다. 첫 댓글을 남겨보세요!