摘要： 我的学习总结：本节课主要学习了机器学习中非常实用的三个“锦囊妙计”：奥卡姆剃刀定律、抽样偏差、避免“偷窥数据”。本节课多为概念性的知识，比较好懂。最后一小节对16节课学过的知识进行了回顾，个人认为很重要，这一块内容抄了一遍在本子上，加深记忆，更好的回顾学过的东西！ 阅读全文

摘要： 我的学习总结：本节课主要学习了Validation验证。介绍了要选择好的机器学习的模型的一些概念，然后详细介绍了Validation的过程。最后，介绍了两种验证方法，比较它们各自的优点和缺点。两者验证方法的推导过程没怎么听懂，需要进一步消化吸收。另外涉及到以前学过的知识：pocket，忘记了这个知识点，需要复习！ 阅读全文

摘要： 我的学习总结：本节课是在overfitting（过拟合）的基础上展开的学习和推导。将原先的高阶多项式的问题，转变成低阶多项式加上限制条件之后的问题，我们就可以进一步转化为Eaug最小化问题，即把w的平方加进去。这部分最优化问题的求解过程、正规化和VC理论之间的关系没有听懂，期间涉及到了梯度这个概念，最后还引入了对λ的探讨。需要好好掌握。 阅读全文

摘要： 我的学习总结：本节课主要介绍了overfitting的概念，即当Ein很小，Eout很大的时候，会出现overfitting。详细介绍了overfitting发生的四个常见原因以及学习了解决overfitting的两种简单点的方法。这节课学习中涉及到了噪音，VC维等前面学到的知识。总之过拟合这个知识点要好好把握！也是一个难点，多回顾几遍视频。 阅读全文

摘要： 我的学习总结：这节课主要介绍了非线性分类模型，通过非线性变换，将非线性模型映射到另一个空间，转换为线性模型，再来进行线性分类。本节课完整学习了非线性变换的整体流程，以及非线性变换可能会带来的一些问题：时间复杂度和空间复杂度的增加。最后介绍了在要付出代价的情况下，使用非线性变换的最安全的做法，尽可能使用简单的模型，而不是模型越复杂越好。总之，本节课的学习主要围绕非线性分类模型，个人来说是个难点，一定要多下功夫！ 阅读全文

摘要： 我的学习总结：本本节课主要学习了分类问题的三种线性模型：linear classification（线性分类）、linear regression（线性回归）和logistic regression（逻辑回归）。首先比较了这三种模型，然后介绍了比梯度下降算法更加高效的SGD算法来进行logistic regression分析（这一块没有掌握好）。最后讲解了两种多分类方法，一种是OVA，另一种是OVO。(两种分类方法好好理解以下，可以带例子去理解概念） 阅读全文

摘要： 我的学习总结：本节课继续学习了回归的问题，线性回归重点是求解了w 的解析方案(通过pseudo-inverse 求解w)。而这节课学习了另一个很重要的方法，逻辑斯蒂回归(logistic regression)。里面涉及到的数学意义，需要自己多钻研，涉及到回归优化，梯度问题（不太懂）等等，需要多下功夫好好去理解。 阅读全文

摘要： 我的学习总结：本节课本学习了机器学习最常见的一种算法：Linear Regression（线性回归）。这是学习《机器学习基石》中学到的第二种算法，第一种是PLA算法。先学习了线性回归问题，再学习的线性回归算法，最后有个泛化问题（数学推导那块没太懂）。所以本节课特别重要，希望通过本节课学习对线性回归有自己初步的了解。 阅读全文

摘要： 我的学习总结：本节课主要学习了数据集有Noise的情况下，是否能够进行机器学习，并且介绍了假设空间H下演算法A的Error估计。本节课是对上一节知识的拓展和延伸，涉及到一点数学推导，不过基本上多为概述性的东西，相对起来比较好理解。 阅读全文

摘要： 我的学习总结：上节课的最后一部分推导引出了VC维理论的公式，本节课主要学习了VC维理论的各种概念。学习了VC维的定义，感知机的VC维以及VC维的物理意义和VC维的解释。VC维理论是分析机器学习模型的最重要的理论工具。本节课的知识掌握的不好，很多地方没有理解，需要多下功夫去学习！（这节课学习的不好） 阅读全文