- supervised learning(监督学习算法)
- 线性回归、逻辑回归、神经网络、支持向量机
- 会有带标签的数据和样本
- 线性回归、逻辑回归、神经网络、支持向量机
- unsupervised learning(无监督学习)
- K-均值聚类算法、主成分分析法(来进行降维)、异常检测算法
- 特定的应用和话题
- 推荐系统、大规模机器学习系统(包括并行和映射-化简算法)、滑动窗口分类器(用于解决计算机视觉问题)
- 如何构建机器学习系统的建议
- 偏差和方差、如何使用正则化来解决一些方差问题、如何合理分配时间:学习算法的评价方法(召回率和F1分数这样的评价指标、训练集交叉验证集测试集)、如何调试算法、学习曲线、误差分析、上限分析等
PS.内容为学习吴恩达老师机器学习的笔记【https://study.163.com/course/introduction/1004570029.htm】