基本数学
决策树，朴素贝叶斯，线性回归，梯度下降
LR，SVM，NN，KT
k-means, hierarchical clustering
https://stanford.edu/~shervine/teaching/cs-221/
1 Intro
主要分类：Supervised learning and unsupervised learning
Some useful material：本课程的两大预备知识是数学与编程。在上课的过程中，我们会自然引入我们所需要的知识，但如果你还需要温习，我们为你推荐优达学城的以下免费课程：
此外，针对概率, 多变量微积分, 和线性代数，可汗学院也有一些非常不错的资源，在此推荐给你。
2 什么是机器学习
2.1 决策树算法
找到合适的分割树，然后用分割树来决定分类
2.2 朴素贝叶斯
针对每个特征，算这个特征如邮件含有cheap是垃圾邮件的概率；有spelling mistake是垃圾邮件的概率，如下
2.3 梯度下降
找到最快下降路径
2.4 线性回归（回归）
先画一条线，用平方计算距离计算误差，求和，然后不断使用梯度下降，即是最小二乘法，总的来说损失函数是平方距离误差
2.5 Logistics regression （分类）
通过公式计算每个点被错误分类的概率求和算误差，然后不断梯度下降，总的来说损失函数是对数损失函数（log loss function）
2.6 SVM
只考虑跟边界相关的点，使得离边界最小的距离最大化，可以使用梯度下降
2.7 神经网络
用多条线区分，综合多个训练的结果，进行训练
2.8 核方法
如果无法用一条线去分割，找到函数提升维度，比如两个维度x和y，用函数xy，就找到一个分割面进行分割
2.9 K-means clustering（知道聚多少类）
kmeans，先随机选点（选定几个中心点），再标识每个点离哪个中心最近选择为该中心点的类，再通过平均当前类的点重新更新中心点
2.10 Hierarchical clustering （不知道聚多少类）
找最近的两个点聚为1类，然后依次找最近的点，如果有一个点已经被聚到一个类了，就把新的点合并到这个类里吗，直到最近的两个点大于我们设定的距离就停止聚类
3 泰坦尼克号乘客生存率分析
https://github.com/ZSMX/Udacity_Machine_Learning/tree/master/C1/Titanic-Survival-Exploraton
网友评论