Ensino - CS 229

CS 229 - Aprendizado de Máquina

Meu irmão gêmeo Afshine e eu criamos este conjunto de cheatsheets ilustrados de Aprendizado de Máquina cobrindo o conteúdo da aula CS 229, da qual fui monitor (TA) no outono de 2018 em Stanford. Eles podem (esperançosamente!) ser úteis para todos os futuros alunos deste curso, bem como para qualquer outra pessoa interessada em Aprendizado de Máquina.

Folhas de consulta

Aprendizado supervisionado

Função de perda, gradiente descendente, verossimilhança
Modelos lineares, máquinas de vetores de suporte, aprendizado generativo
Métodos de árvore e ensemble, k-NN, teoria do aprendizado

PDF Web

Aprendizado não supervisionado

Expectativa-Maximização, k-means, agrupamento hierárquico
Métricas de avaliação de agrupamento
Análise de componentes principais, análise de componentes independentes

PDF Web

Aprendizado profundo

Arquitetura, função de ativação, retropropagação, dropout
Camada convolucional, normalização de lote, tipos de portas
Processos de decisão de Markov, equação de Bellman, Q-learning

PDF Web

Dicas e truques

Matriz de confusão, acurácia, precisão, recall, pontuação F1, ROC
R quadrado, CP de Mallow, AIC, BIC
Validação cruzada, regularização, tradeoff viés/variância, análise de erro

PDF Web

Revisões

Probabilidades e estatísticas

Axiomas de probabilidade, permutação, regra de Bayes, independência, probabilidade condicional
Variável aleatória, expectativa, variância
Teorema do limite central, estimação de parâmetros

PDF Web

Álgebra linear e cálculo

Matrizes principais, multiplicação, transposta, inversa, traço, determinante
Autovalor, autovetor, norma, gradiente, Hessiana
Matriz definida semipositiva, teorema espectral, decomposição de valor singular

PDF Web

Gostaria de ver estas folhas de consulta em seu idioma nativo? Você pode nos ajudar a traduzi-las no GitHub!