机器学习40讲学习心得

机器学习40讲学习心得

层次化的神经网络：深度学习    

从回归到分类：联系函数与降维    

从全局到局部：核技巧    

从有限到无限：高斯过程    

非参数化的局部模型：K近邻    

非线性降维：流形学习    

基础线性回归：一元与多元    

基函数扩展：属性的非线性化    

基于距离的学习：聚类与度量学习    

基于特征的区域划分：树模型    

集成化处理：Boosting与Bagging    

几何角度看分类：支持向量机    

建模非正态分布：广义线性模型    

建模连续分布：高斯网络    

结构学习：基于约束与基于评分    

精确推断：变量消除及其拓展    

连续序列化模型：线性动态系统    

确定近似推断：变分贝叶斯    

深度编解码：表示学习    

随机近似推断：MCMC    

完备数据下的参数学习：有向图与无向图    

万能模型：梯度提升与随机森林    

无向图模型：马尔可夫随机场    

线性降维：主成分的使用    

序列化建模：隐马尔可夫模型    

隐变量下的参数学习：EM方法与混合模型    

有向图模型：贝叶斯网络    

正则化处理：收缩方法与边际化    

自适应的基函数：神经网络    

最简单的概率图：朴素贝叶斯