课程
Stanford CS229 Course Materials
覆盖监督学习、广义线性模型、学习理论、优化与生成学习算法。
Andrew Ng · Stanford University
阅读前提
教材中的引用位置
- A00 · 第 1 章 监督学习任务、样本与标签
- A00 · 第 2 章 训练、验证、测试与数据泄漏
- A00 · 第 3 章 损失函数、风险与评估
- A00 · 第 4 章 分类、回归指标与基线
- A00 · 第 5 章 分布偏移、置信区间与不确定性
- A00 · 第 6 章 机器学习问题与评估综合复习
- A01 · 第 1 章 线性回归、最小二乘与正规方程
- A01 · 第 2 章 Logistic 回归与概率分类
- A01 · 第 3 章 过拟合、泛化与模型选择
- A01 · 第 4 章 正则化、偏差与方差
- A01 · 第 5 章 经验风险、容量与一致收敛
- A01 · 第 6 章 线性模型与统计学习综合复习
- A02 · 第 1 章 特征映射、正定核与再生核空间
- A02 · 第 2 章 最大间隔与支持向量机
- A02 · 第 3 章 决策树、划分准则与剪枝
- A02 · 第 4 章 随机森林与袋装集成
- A02 · 第 5 章 AdaBoost、梯度提升与残差拟合
- A02 · 第 6 章 核方法、树模型与集成学习综合复习
- A03 · 第 1 章 聚类目标、K 均值与密度方法
- A03 · 第 2 章 主成分分析与流形降维
- A03 · 第 3 章 贝叶斯网络与 Markov 随机场
- A03 · 第 4 章 变量消元、消息传递与精确推断
- A03 · 第 5 章 EM 算法与变分推断
- A03 · 第 6 章 无监督学习与概率图模型综合复习
- A04 · 第 3 章 计算图、链式法则与局部导数
- A04 · 第 5 章 参数初始化与梯度传播
- A04 · 第 6 章 神经网络与反向传播综合复习
- A05 · 第 1 章 随机梯度、动量与自适应方法
- A05 · 第 2 章 学习率调度与二阶近似
- A05 · 第 3 章 归一化方法与尺度控制
- A05 · 第 4 章 正则化、数据增强与早停
- A05 · 第 5 章 混合精度、分布式训练与检查点
- A05 · 第 6 章 调试、复现实验与工程方法综合复习
- A07 · 第 1 章 循环网络、门控单元与状态传播
- A10 · 第 1 章 Markov 决策过程与 Bellman 方程
- A10 · 第 2 章 动态规划、Monte Carlo 与时序差分
- A10 · 第 3 章 Q-learning、探索与函数逼近
- A10 · 第 4 章 策略梯度、actor–critic 与优势估计
- A10 · 第 5 章 基于模型、离线与多智能体强化学习
- A10 · 第 6 章 稳定性、评估与强化学习综合复习
- M11 · 第 1 章 优化模型、可行域与最优性
- M11 · 第 3 章 一阶优化与梯度下降
- M11 · 第 6 章 最优化与信息论综合复习