最近写论文笔记是各种疯（捉）狂（襟）百（见）度（肘）啊，对于自身的技术能力个人感觉实在是”太下饭”了。算算从五月份自学到现在也半年有余，买过书上过课，从最开始接触 Andrew Ng 的 Coursera上的机器学习课程到入手第一本西瓜书之后，又陆陆续续买了《机器学习实战》、《统计学习方法（第2版） ...

接下来这篇『Kernel Logistic Regression and the Import Vector Machine』讲的是关于核逻辑回归和IVM的论文。众所周知，SVM在处理二分类问题上拥有很好的性能，但是在处理多分类问题上稍显逊色，但这依然是一个热门的研究话题。 摘要这篇论文目的就是 ...

这周的论文笔记是『A Tutorial on Support Vector Machines for Pattern Recognition』，说是这周，其实是贪心导师一个月前步骤的作业了(捂脸ing)，由于双十一前后公司各种上线，导致每天只能看看录播课程，不过接下来到年前应该都有时间，所以赶紧充（ ...

在上一篇，主要是学习周志华教授的西瓜书之后做的一些笔记，本篇开始转战算法及实际应用上面，希望能通过更深层次的探索，加深对决策树集成学习模型的理解。 基础概念a、信息熵（Information Entropy）假设X是一个有限值的离散随机变量，其概率分布满足：$p_i=P(X= ...

1. 什么是提升树算法（Boosting Tree）提升树（Boosting Tree）是一类集成学习方法，其核心思想是：通过迭代地训练一系列弱学习器（通常是浅层决策树），每一棵树都试图纠正前一棵树的错误，最终将所有树的预测结果加权求和得到最终预测。 1.1 加法模型与前向分步算法提升树模型可以表示 ...

统计学中数据挖掘和机器学习中的决策树训练，使用决策树作为预测模型，一般的，一棵决策树包含一个根结点、若干个内部结点和若干个叶结点。叶结点对应于决策边界，其他每个结点则对应于一个属性测试（或特征测试）；每个结点包含的样本集合根据属性测试的结果被划分到子结点中；根结点包含样本全集。决策树学习的目的是为了 ...

Kaggle——作为一款以举办机器学习竞赛、编写和分享代码的平台，正在被越来越多的数据分析爱好者所青睐，这其中更是吸引了数以十万计数据科学家的关注。也正于此，才会被谷歌收入麾下。本人作为一名萌新，本着对机器学习的执著与热爱，在参考多篇文章之后，希望可以为同样喜爱Kaggle的盆友记录写下一点东西，再 ...

对于NLP领域来说，稍微拿一块知识点出来研究都是别有洞天，此篇是贪心学院布置的第一篇论文Lecture，于2015年由华盛顿大学发表，主要是为计算文本（语句）相似度提出的一种度量方法。在此之前，计算两个文档的相似度主要是通过词频，但这其实很难作为衡量依据的。 因此这篇论文的意义在于它提出这样一种思想 ...

本文档旨在帮助已掌握机器学习基础知识的人员从 Google 机器学习的最佳实践中受益。它介绍了一种机器学习样式，类似于 Google C++ 样式指南和其他常用的实用编程指南。如果您学习过机器学习方面的课程，或者拥有机器学习模型的构建或开发经验，则具备阅读本文档所必需的背景知识。 术语在我们讨论有效 ...

本文分享一些机器学习和深度学习等等学习资料，便于翻阅及进阶自身技术 机器学习 Start Here with Machine Learning (machinelearningmastery.com) https://machinelearningmastery.com/start-here ...