机器学习笔记

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。