概要前文总结有效的切分直线有效的假设空间断点break point 概要本节主要讲训练和测试有什么不一样。上节中说到机器学习不可行，但是有的情况下是可以的。当假设空间有限，同时资料来自某一个分布。本节讲述当假设空间无限的时候会如何。前文总结上节中，我们讲到假如测试资料和训练资料来自同一个分布，如果假设空间有限，那么我们说机器学习是可行的。 那么前面四节中主要围绕了两个问题：1)Ei
转载
2023-11-13 15:17:59
51阅读
整理了《机器学习基石》和《机器学习技法》大纲和相关笔记。
注：本大纲和笔记是根据台大林轩田老师《机器学习基石》和《机器学习技法》视频课程整理而来。林老师讲课幽默风趣，授课内容丰富而又通透，解决了我作为初学者的很多困惑，对此我非常感激。关于林老师的视频课程和相关资料，可参考这里。另外，个人认为，这里面讲解的最最精彩的是SVM和机器学习的可行性这两部分。《机
转载
2023-05-22 22:43:42
114阅读
从软间隔SVM到正则化从参数ξ谈起在软间隔支持向量机中参数ξ代表某一个资料点相对于边界犯错的程度，如下图：在资料点没有违反边界时ξ的值为0，在违反边界时的值就会大于0。所以总的来说ξ的值等于max(1 - y(WZ + b) , 0)。所以我们把问题合并如下：这样这个问题就变成了一个没有条件的问题。与L2正则化的关系上述简化后的问题与L2的正则化极其相似：它们的目标都是最小化W²与一个错误衡量的和
概要对偶SVM的动机拉格朗日对偶SVM解决对偶SVM对偶SVM背后的理论 欢迎转载，可以关注博客： 题目可能不全，因为有字数限制，不好意思，可以参考： https://www.csie.ntu.edu.tw/~htlin/course/ml15fall/概要上节课讲到了线性的支持向量机，采用胖胖的分割线作为分类器。要进行求解，首先将X投影到z空间，然后在z空间进行线性分割就好了。但是如果投影到
转载
2023-12-07 23:15:03
1614阅读
上节课我们主要介绍了Adaptive Boosting。AdaBoost演算法通过调整每笔资料的权重(数据集中每个样本的采样频率)，得到不同的hypotheses，然后将不同的hypothesis乘以不同的系数进行线性组合。这种演算法的优点是，即使底层的假设 g不是特别好(只要比乱选好点)，经过多次迭代后算法模型会越来越好，起到了boost提升的效果。本节课将在此基础上介绍 一种新的aggrega
第一节课中，主要讲解的是机器学习的基本思路和相关的应用，算是一种对机器学习的大致介绍和简单的科普。到了第二讲，林老师将重点放在了PLA算法上，通过这个算法让机器学习的演算法大门正式打开了。对于机器学习，类似人的成长一般，一般是先学会判断是和不是，所以这一讲是介绍一种可以回答是非题的机器学习演算法——PLA。引入一个银行信用卡的例子，对于银行要对如下的用户进行判断要不要允许其办理信用卡。机器学习的思
转载
2024-10-19 09:35:20
73阅读
Lecture 7:Blending and BaggingMotivation of Aggregation现在给出T个假设函数\(g_1,\cdots,g_T\)，我们希望充分利用它们，得到一个更好的假设函数\(G\)，我们有几种方法：1、用交叉验证的方法从T个g里选\(E_{val}\)最小的：\(G(x)=g_{t^*}(x),t^*=\arg\min_{t}E_{val}(g_t^-)\
主要介绍了ML的概念：包括定义、应用ML的核心特征、与相关领域的关系、分类，以及最原始的Perceptron模型。
注：笔记大纲请移步这里。1. When can machines learn?1.1 The learning problem1.1.1 What is ML?什么是“学习”：人类通过观察(observation)、积累经验，掌握某项技能或
在探讨“林轩田机器学习基石笔记”时，我们将关注于如何有效地理解和应用其内容，特别是在机器学习的上下文中。本博文将以清晰的结构，展示在应用过程中可能遇到的一系列问题和解决方案。以下内容将详细阐述背景定位、参数解析、调试步骤、性能调优、最佳实践，以及生态扩展等方面。
### 背景定位
在现代企业中，机器学习的应用越来越广泛，涉及领域包括金融、医疗、零售等。高效利用机器学习技术，能够显著提升业务效率
AI有道
一个有情怀的公众号 1 Feature Exploitation Techniques 我们在本系列课程中介绍的第一个特征提取的方法就是kernel。Kernel运算将特征转换和计算内积这两个步骤合二为一，提高了计算效
原创
2022-09-23 15:19:52
103阅读
点击上方“AI有道”，选择“星标”公众号重磅干货，第一时间送达台湾大学林轩田老师曾在coursera上开设了两门机器学习经典课程：《机器学习基石》和《机器学习技法》。《机...
原创
2022-09-23 13:53:09
421阅读
AI有道不可错过的AI技术关注 课程介绍大学林轩田老师的《机器学习基石》课程由浅入深、内容全面，基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料...
原创
2022-12-06 16:04:06
139阅读
AI有道
一个有情怀的公众号 台湾大学林轩田机器学习经典课程：「机器学习基石」和「机器学习技法」。课程由浅入深、内容全面，基本涵盖了机器学习领域的很多方面，还包括了机器学习一些经典算法，包括支持向量机、决策树、随机森林、神经网络等。 如果你
原创
2022-12-28 19:00:22
211阅读
点击上方“AI算法与图像处理”，选择加"星标"或“置顶”重磅干货，第一时间送达主要内容What is Machine LearningApplications of M...
原创
2022-07-28 11:03:53
28阅读
学习笔记
转载
2021-06-22 13:53:25
207阅读
# 机器学习基石笔记
## 介绍
机器学习是一门研究如何使计算机能够从数据中自动学习的领域。在过去的几十年中，机器学习已经取得了巨大的进展，并在各个领域取得了广泛应用。本文将介绍《林轩田 机器学习基石笔记》中的一些重要概念和算法，并通过代码示例来解释这些概念和算法的工作原理。
## 线性回归
线性回归是机器学习中最简单但也是最常用的算法之一。其目标是找到一条直线（或者更一般地说，一个超平面
原创
2023-07-01 07:15:49
54阅读
本文所有资源已放在github上，欢迎star： NTU-HsuanTienLin-MachineLearning课程介绍台湾大学林轩田老师
原创
2023-07-25 16:08:22
189阅读
李宏毅 (Hung-yi Lee)：http://speech.ee.ntu.edu.tw/~tlkagk/index.html Hsuan-Tien Lin：https://www.csie.ntu.edu.tw/~htlin/ Hsuan-Tien Lin：https://www.csie.nt
转载
2016-11-20 00:24:00
308阅读
2评论
## 如何实现“田字形Python”
在Python中，绘制一个田字形图案实际上是一个很好练习基础绘图和循环控制的任务。下面我将一步一步地介绍该如何实现一个田字形图案。
### 完整的流程
首先，让我们看一下制作田字形的步骤流程。我们将使用标准的Python `print` 函数来绘制图案。
| 步骤 | 描述 |
|------|--------------
```
在学习 Python 过程中，我遇到了一个有趣而又棘手的问题——如何通过 Python 输出“田”字形图案。这个问题不仅挑战了我的编程能力，也让我思考如何清晰地记录解决过程，以便未来的我和其他学习者参考。
### 背景定位
在进行图案输出时，我们经常希望用编程语言生成各种形状的图案。具体到这个场景，“田”字形输出涉及到对控制符号的深刻理解和对输出格式的掌握。随着编程技术的不断演进，在实
