《机器学习算法面试》专题

My NoteBook 学习笔记，系统归纳，时常翻阅。

可删除PS Vita内已记录词语的学习辞典。 轻触[格式化]>[删除学习词典]>[删除]。

Directed learning The table below contains instructor led, paid, front-end courses, programs, schools, and bootcamps. If you can't afford a directed education, a self directed education using screenca

core和server学习 autoload和ioc学习 request和response学习

2.1. 高斯混合模型 2.1.1. 高斯混合 2.1.1.1. 优缺点 GaussianMixture 2.1.1.1.1. 优点 2.1.1.1.2. 缺点 2.1.1.2. 选择经典高斯混合模型中分量的个数 2.1.1.3. 估计算法期望最大化（EM） 2.1.2. 变分贝叶斯高斯混合 2.1.2.1. 估计算法: 变分推断（variational inference） 2.1.2.1.1.

校验者: @STAN,废柴0.1 翻译者: @那伊抹微笑 半监督学习 适用于在训练数据上的一些样本数据没有贴上标签的情况。 sklearn.semi_supervised 中的半监督估计, 能够利用这些附加的未标记数据来更好地捕获底层数据分布的形状，并将其更好地类推到新的样本。 当我们有非常少量的已标签化的点和大量的未标签化的点时，这些算法表现均良好。 <cite>y</cite> 中含有未标记的

译者：片刻 作者: Sasank Chilamkurthy 在本教程中，您将学习如何使用迁移学习来训练您的网络。您可以在 cs231n 笔记 上阅读更多关于迁移学习的信息 引用这些笔记： 在实践中，很少有人从头开始训练整个卷积网络（随机初始化），因为拥有足够大小的数据集是相对罕见的。相反，通常在非常大的数据集（例如 ImageNet，其包含具有1000个类别的120万个图像）上预先训练 ConvN

译者：bat67 最新版会在译者仓库首先同步。 作者：Justin Johnson 这个教程通过自洽的示例介绍了PyTorch的基本概念。 PyTorch主要是提供了两个核心的功能特性： 一个类似于numpy的n维张量，但是可以在GPU上运行 搭建和训练神经网络时的自动微分/求导机制 我们将使用全连接的ReLU网络作为运行示例。该网络将有一个单一的隐藏层，并将使用梯度下降训练，通过最小化网络输出和

聚类和降维：K-Means 聚类，层次聚类，主成分分析（PCA），奇异值分解（SVD）。 我们可以怎样发现一个数据集的底层结构？我们可以怎样最有用地对其进行归纳和分组？我们可以怎样以一种压缩格式有效地表征数据？这都是无监督学习的目标，之所以称之为「无监督」，是因为这是从无标签的数据开始学习的。 我们将在这里探索的两种无监督学习任务是：1）将数据按相似度聚类（clustering）成不同的分组；2）

非参数化模型：KNN、决策树和随机森林。包含交叉验证、超参数调优和集成模型。 非参数学习器 事情变得有点...扭曲了。 我们目前为止涉及的方法，线性回归，对率回归和 SVM ，它们的模型形式是预定义的。与之相反，非参数学习器事先没有特定的模型结构。在训练模型之前，我们不会推测我们尝试习得的函数f的形式，就像之前的线性回归那样。反之，模型结构纯粹由数据定义。 这些模型对于训练数据的形状更加灵活，但是

使用对数几率回归（LR）和支持向量机（SVM）的分类。 分类：预测标签 这个邮件是不是垃圾邮件？贷款者能否偿还它们的贷款？用户是否会点击广告？你的 Fackbook 照片中那个人是谁？ 分类预测离散的目标标签Y。分类是一种问题，将新的观测值分配给它们最有可能属于的类，基于从带标签的训练集中构建的模型。 你的分类的准确性取决于所选的算法的有效性，你应用它的方式，以及你有多少有用的训练数据。 对数几率

RN笔记 一. 常用命令 比如我们希望查看RN的所有历史版本，可以在命令行中输入： npm view react-native versions -json 创建工程并指定版本: react-native init 工程名字 -source react-native@0.55.4 (无效) react-native init 工程名字 --version 0.55.4 在项目中运行npm inta

近些年来出现了大量的关于 Git 的文档，教程和文章。我建议你浏览一下这些在线资源： 命令速查表 "Git - the Simple Guide" "Pro Git" ebook

深度学习500问，以问答形式对常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题进行阐述，以帮助自己及有需要的读者。 全书分为18个章节，近30万字。 1. 版权声明 请尊重作者的知识产权，版权所有，翻版必究。 未经许可，严禁转发内容！ 请大家一起维护自己的劳动成果，进行监督。 未经许可， 严禁转发内容！ 　　　 2018.6.27 TanJiyong 2. 概述 本项目是大家对A