×
思维导图备注
周志华《机器学习》学习笔记
首页
小程序
下载
阅读记录
书签管理
我的书签
添加书签
移除书签
编辑文档
16 强化学习
来源 1
浏览
1150
扫码
分享
2019-11-07 23:05:01
16、强化学习
上一篇:
下一篇:
1 绪论
1.2 机器学习的一些基本术语
1.1 机器学习的定义
10 聚类算法
10.1 距离度量
10.2 性能度量
10.3 原型聚类
10.4 密度聚类
10.5 层次聚类
11 降维与度量学习
11.1 K近邻学习
11.2 MDS算法
11.3 主成分分析（PCA）
11.4 核化线性降维
11.5 流形学习
11.6 度量学习
12 特征选择与稀疏学习
12.1 子集搜索与评价
12.2 过滤式选择（Relief）
12.3 包裹式选择（LVW）
12.4 嵌入式选择与正则化
12.5 稀疏表示与字典学习
12.6 压缩感知
13 计算学习理论
13.1 PAC学习
13.2 有限假设空间
13.3 VC维
13.4 稳定性
14 半监督学习
14.1 生成式方法
14.2 半监督SVM
14.3 基于分歧的方法
14.4 半监督聚类
15 概率图模型
15.1 隐马尔可夫模型(HMM)
15.2 马尔可夫随机场（MRF）
15.3 条件随机场（CRF）
15.4 学习与推断
15.5 LDA话题模型
16 强化学习
16.1 基本要素
16.2 K摇摆赌博机
16.3 有模型学习
16.4 蒙特卡罗强化学习
16.5 AlphaGo原理浅析
3 线性模型
3.1 线性回归
3.2 线性几率回归
3.3 线性判别分析
3.4 多分类学习
3.5 类别不平衡问题
4 决策树
4.1 决策树基本概念
4.2 决策树的构造
4.3 剪枝处理
4.4 连续值与缺失值处理
5 神经网络
5.1 神经元模型
5.2 感知机与多层网络
5.3 BP神经网络算法
5.4 全局最小与局部最小
5.5 深度学习
6 支持向量机
6.1 函数间隔与几何间隔
6.2 最大间隔与支持向量
6.3 从原始优化问题到对偶问题
6.4 核函数
6.5 软间隔支持向量机
7 贝叶斯分类器
7.1 贝叶斯决策论
7.2 极大似然法
7.3 朴素贝叶斯分类器
8 EM算法
8.1 EM算法思想
8.2 EM算法数学推导
8.3 EM算法流程
9 集成学习
9.1 个体与集成
9.2 Boosting
9.3 Bagging与Random Forest
9.4 结合策略
9.5 多样性（diversity）
README
2 模型的评估与选择
2.5 性能度量
2.5.1 最常见的性能度量
2.5.2 查准率/查全率/F1
2.5.3 ROC与AUC
2.5.4 代价敏感错误率与代价曲线
2.6 比较检验
2.7 偏差与方差
2.1 误差与过拟合
2.2 评估方法
2.3 训练集与测试集的划分方法
2.4 调参
暂无相关搜索结果！
本文档使用
BookStack
构建
×
分享，让知识传承更久远
×
文章二维码
手机扫一扫，轻松掌上读
×
文档下载
请下载您需要的格式的文档，随时随地，享受汲取知识的乐趣！
PDF
文档
EPUB
文档
MOBI
文档
×
微信小程序阅读
微信扫一扫，知识掌上学
×
书签列表
×
阅读记录
阅读进度:
0.00%
(
0/0
)
重置阅读进度
我的书签
添加书签
移除书签