CS 229 ― 机器学习
简明指南
- • 损失函数, 梯度下降, 似然
- • 线性模型, 支持向量机, 生成学习
- • 基于树的方法和集成方法, k-NN, 学习理论
- • E-M 算法, k-均值聚类, 层次化聚类
- • 聚类评测度量
- • 主成分分析, 独立成分分析
- • 架构, 激活函数, 反向传播, 随机丢弃
- • 卷积神经网络, 批量规范化, 门控的种类
- • 马尔可夫决策过程, 贝尔曼方程, Q-学习
- • 混淆矩阵, 準确度, 阳性预测值, 真阳性率, F1评分, ROC
- • R squared, Mallow's CP, AIC, BIC
- • 交叉验证, 正则化, 偏差/方差权衡, 错误分析
回顾
- • 概率论公理, 置换, 贝叶斯规则, 独立, 条件概率
- • 随机变量, 期望, 方差
- • 中央极限定理, 参数估计
- • 主要的矩阵, 乘法, 转置, 逆, 迹, 行列式
- • 特征值, 特征向量, 范数, 梯度, 黑塞矩陣
- • 半正定矩阵, 谱定理, 奇异值分解