机器学习考试重点
2025-10-30 18:45:25   0  举报             
     
         
 AI智能生成
  机器学习内容
    作者其他创作
 大纲/内容
  L1机器学习概述    
     机器学习包含关系:人工智能 》机器学习 》 深度学习  
     类别    
     监督学习    
     分类    
     逻辑回归  
     朴树贝叶斯  
     k-最近邻  
     支持向量机  
     决策树  
     随机森林  
     神经网络  
     回归    
     线性回归  
     多项式回归  
     支持向量回归  
     决策树  
     随机森林  
     神经网络  
     无监督学习    
     降维    
     主成分分析  
     聚类  
     k均值聚类  
     层次聚类  
     高斯混合模型  
     t分布随机邻域嵌入  
     自动编码器  
     强化学习    
     深度神经网络  
     卷积层  
     池化层  
     圈连接层  
     评估指标    
     回归分析    
     均方误差MSE  
     均方根误差RMSE  
     分类分析    
     准确率  
     错误率  
     概率模型    
     对数似然法  
     数据集    
     训练集    
     用于选择或训练模型  
     验证集、测试集    
     用于评估模型  
     过拟合    
     测试集上表现不好,训练集上表现好  
     欠拟合  
     L2 监督学习:从线性回归开始的旅程    
     数据和模型基本概念     
      
     数据集    
     输入数据:X1, …, Xn  
     输出数据:y1, …, yn  
     线性回归    
     核心思想是找到一个最适合数据的线性方程,
使我们能够根据 𝒙 的值预测 𝑦 的值
    使我们能够根据 𝒙 的值预测 𝑦 的值
 线性回归是一种基本的统计和机器学习技术,用
于建模因变量(通常表示为 𝑦)与一个或多个自
变量(通常表示为 𝒙)之间的关系  
     简单线性回归     
       
       
       
     
          
     涉及一个自变量 (𝑥) 和一个因变量 (𝑦)  
     该模型用一条直线表示:𝑦 = 𝑚𝑥 + 𝑐,其中 𝑚 是
斜率, 𝑐 是 𝑦 轴截距
    斜率, 𝑐 是 𝑦 轴截距
 评估指标     
       
       
       
       
      
     例题     
     
     
     
     
                       
     
          
     多元线性回归     
       
      
     •涉及两个或多个自变量 (𝑥1, 𝑥2, 𝑥3, …) 和一个因变
量 (𝑦)。该模型用一个超平面表示:
• 𝑦 = 𝑚1𝑥1 + 𝑚2𝑥2 + 𝑚3𝑥3 + ⋯ + 𝑐 = 𝒎𝑇𝒙 +c
    量 (𝑦)。该模型用一个超平面表示:
• 𝑦 = 𝑚1𝑥1 + 𝑚2𝑥2 + 𝑚3𝑥3 + ⋯ + 𝑐 = 𝒎𝑇𝒙 +c
 多项式回归     
     
          
     一元多项式     
      
     模型优化     
       
      
     基于梯度的模型优化方法     
       
       
      
     批量梯度下降法     
       
       
       
      
     缺点     
      
     随机梯度下降法     
       
       
       
      
     小批量梯度下降法     
      
     偏差-方差困境与权衡     
       
       
       
     
          
     过拟合     
     
          
     欠拟合     
     
          
     模型正则化策略     
       
     
     
               
      
     作业和练习  
     L3 监督学习:逻辑回归、
线性判别分析、支持向量机
    线性判别分析、支持向量机
 线性判别分析概述     
       
      
     支持向量机     
       
     
     
     
                  
     例子     
     
          
     交叉验证     
       
       
      
     L4 监督学习:K-近邻算法、
朴素贝叶斯、决策树
    朴素贝叶斯、决策树
 决策树     
       
      
     ID3算法:信息增益     
     
     
               
       
       
       
       
     
          
     C4.5算法:信息增益率     
     
           
       
     
           
       
     
     
              
    
 
 
 
 
  0 条评论
 下一页