简介: 机器学习是从数据和经验中学习的算法研究。 它被广泛应用于从医学到广告,从军事到行人的各种应用领域。 CIML是一组入门资料,涵盖了现代机器学习的大多数主要方面(监督学习,无监督学习,大幅度方法,概率建模,学习理论等)。 它的重点是具有严格主干的广泛应用。 一个子集可以用于本科课程; 研究生课程可能涵盖全部材料,然后再覆盖一些。

作者介绍: Hal Daumé III,教授,他曾担任Perotto教授职位,他现在Microsoft Research NYC的机器学习小组中。 研究方向是自然语言处理。

大纲介绍:

  • 前言
  • 决策树
  • Limits of Learning
  • 近邻算法
  • 感知机
  • 联系
  • 边缘分类
  • 线性模型
  • 偏差
  • 概率模型
  • 神经网络
  • 核函数
  • 学习理论
  • Ensemble 方法
  • 高效学习
  • 无监督学习
  • 期望最大化
  • 结构预测
  • 模仿学习
  • 后记

下载链接: https://pan.baidu.com/s/1QwSGTioJxDCRvlkBqcJr_A

提取码:fwbq

成为VIP会员查看完整内容
24
0

相关内容

现实生活中常常会有这样的问题:缺乏足够的先验知识,因此难以人工标注类别或进行人工类别标注的成本太高。很自然地,我们希望计算机能代我们完成这些工作,或至少提供一些帮助。根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题,称之为无监督学习
专知会员服务
87+阅读 · 2019年12月24日
【CMU】机器学习导论课程(Introduction to Machine Learning)
专知会员服务
43+阅读 · 2019年8月26日
贝叶斯机器学习前沿进展
无人机
5+阅读 · 2018年1月26日
【资源】15个在线机器学习课程和教程
专知
6+阅读 · 2017年12月22日
零基础学SVM—Support Vector Machine系列之一
AI研习社
7+阅读 · 2017年11月10日
Anomalous Instance Detection in Deep Learning: A Survey
Arxiv
36+阅读 · 2019年12月20日
Arxiv
11+阅读 · 2019年11月24日
Deep Learning for Energy Markets
Arxiv
6+阅读 · 2019年4月10日
Arxiv
10+阅读 · 2019年1月16日
Deep Randomized Ensembles for Metric Learning
Arxiv
4+阅读 · 2018年9月4日
Arxiv
14+阅读 · 2018年8月30日
Arxiv
134+阅读 · 2017年8月1日
小贴士
相关VIP内容
专知会员服务
87+阅读 · 2019年12月24日
【CMU】机器学习导论课程(Introduction to Machine Learning)
专知会员服务
43+阅读 · 2019年8月26日
相关论文
Anomalous Instance Detection in Deep Learning: A Survey
Arxiv
36+阅读 · 2019年12月20日
Arxiv
11+阅读 · 2019年11月24日
Deep Learning for Energy Markets
Arxiv
6+阅读 · 2019年4月10日
Arxiv
10+阅读 · 2019年1月16日
Deep Randomized Ensembles for Metric Learning
Arxiv
4+阅读 · 2018年9月4日
Arxiv
14+阅读 · 2018年8月30日
Arxiv
134+阅读 · 2017年8月1日
微信扫码咨询专知VIP会员