吴恩达机器学习笔记pdf格式，共分10周学习课程，可以通过视频资源对照学习。 吴恩达机器学习笔记pdf格式，共分10周学习课程，可以通过视频资源对照学习。

1. Frequentist （频率派）： The Frequentist approach views the model parameters as unknown (constant) and estimate them by matching the model to the training data. Using an appropriate metric. 频率派观点认为，模型参数是未知的（常数），⽤恰当的准则，使得模型与训练数据相匹配来估计它们 （参数）。 2. Bayesian （⻉叶斯派）： ⻉叶斯派观点认为，模型参数是随机变量，通过给予参数以先验分布（通常是来⾃前⼈经验），基于⻉叶 斯定理做最⼤的后验概率估计。 3. 对⽐ 对⽐频率派与⻉叶斯派，前者多在做优化（Optimization），后者多在做积分。 4. 参数模型与⾮参数模型 对于参数模型，参数的数量是固定的，与训练数据的数量⽆关。 对于⾮参数模型，参数的熟练不固定，⽽是随训练数据的增加⽽增加。

在监督学习中，给定一组数据，我们知道正确的输出结果应该是什么样子，并且知道在输入和输出之间有着一个特定的关系。这么说可能理解起来不是很清晰，没关系，后面有具体的例子。监督学习可分为“回归”和“分类”问题。监督学习分类在回归问题中，我们会预测一个连续值。也就是说我们试图将输入变量和输出用一个连续函数对应起来；而在分类问题中，我们会预测一个离散值，我们试图将输入变量与离散的类别对应起来。下面举两个例子，就会非常清楚这几个概念了。通过房地产市场的数据，预测一个给定面积的房屋的价格就是一个回归问题。这里我们可以把价格看成是面积的函数，它是一个连续的输出值。但是，当把上面的问题改为“预测一个给定面积的房

机器学习 、人工智能 、深度学习

代码、讲义

python，机器学习笔记，machine learning，nlp

machine-learning-notes机器学习笔记

机器学习研究 这些是我跟随他人足迹的注解。 生成的页面。

Hinton 神经网络与机器学习笔记（TingxunShi） Hinton 神经网络与机器学习笔记（TingxunShi）

在监督学习中，给定一组数据，我们知道正确的输出结果应该是什么样子，并且知道在输入和输出之间有着一个特定的关系。这么说可能理解起来不是很清晰，没关系，后面有具体的例子。监督学习可分为“回归”和“分类”问题。监督学习分类在回归问题中，我们会预测一个连续值。也就是说我们试图将输入变量和输出用一个连续函数对应起来；而在分类问题中，我们会预测一个离散值，我们试图将输入变量与离散的类别对应起来。下面举两个例子，就会非常清楚这几个概念了。通过房地产市场的数据，预测一个给定面积的房屋的价格就是一个回归问题。这里我们可以把价格看成是面积的函数，它是一个连续的输出值。但是，当把上面的问题改为“预测一个给定面积的房