转自 | 专知 整理 | 小事
【导读】最近,帝国理工学院计算机系统计机器学习的老师Marc Deisenroth撰写的134页"Mathematics for Machine Learning" 机器学习中的数学知识,深入浅出地介绍了常见的机器学习方法和其应用,比如主成分分析(PCA),线性判别分析,贝叶斯线性回归和支持向量机(SVM)等,是学习机器学习的比较不错的讲义。
资源获取方式:
-
点击 阅读原文 获取资源
-
或在输入关键词“IC机器学习数学讲义”获取资源
这些讲义为伦敦帝国理工学院计算机系的“机器学习中的数学”课程提供支持。该课程的目的是为学生提供理解,设计和实施现代统计机器学习方法和推理机制所必需的基本数学背景和技能。 本课程将重点介绍使用机器学习和推理方法的数学原理和实现机制,如主成分分析(PCA),线性判别分析,贝叶斯线性回归和支持向量机(SVM)。
为您推荐
「特征工程」与「表示学习」
简单粗暴 TensorFlow Eager 教程
【机器学习】损失函数?损失函数!
称霸Kaggle的十大深度学习技巧
教程 | PyTorch经验指南:技巧与陷阱
本文为原创文章,版权归知行编程网所有,欢迎分享本文,转载请保留出处!
你可能也喜欢
- ♥ 预训练卷不动,可以卷输入预处理啊!02/13
- ♥ 线性代数应该这样讲(一)12/29
- ♥ 入门必备|中文课程!台大李宏毅机器学习公开课2019版上线03/17
- ♥ 线性代数应该这样讲(四)-奇异值分解与主成分分析01/02
- ♥ 从论文到PPT,一键生成!从此报告不用愁!02/11
- ♥ NLP领域的首次Hard Label黑盒攻击!02/05
内容反馈