机构名称：
¥ 8.0
3 - / - /3（R20A0518）机器学习单元 - I简介：机器学习简介，监督学习，无监督学习，增强学习。深度学习。特征选择：过滤器，包装器，嵌入式方法。特征归一化： - 最小最大归一化，z得分归一化和恒定因子归一化降低降低：主成分分析（PCA），线性判别分析（LDA）单元 - II监督学习 - I（回归/分类）回归模型：简单线性回归，多线性回归。成本函数，梯度下降，性能指标：平均绝对误差（MAE），均方根误差（MSE）R平方错误，调整后的R平方。Classification models: Decision Trees-ID3, CART, Naive Bayes, K-Nearest-Neighbours (KNN), Logistic Regression, Multinomial Logistic Regression Support Vector Machines (SVM) - Nonlinearity and Kernel Methods UNIT – III Supervised Learning – II (Neural Networks) Neural Network Representation – Problems – Perceptrons, Activation Functions, Artificial Neural Networks (ANN) , Back Propagation 算法。卷积神经网络 - 卷积和合并层，复发性神经网络（RNN）。分类指标：混淆矩阵，精度，召回，准确性，F-SCORE，ROC曲线单元 - IV模型验证：交叉验证 - 保留方法，k折，分层k fold，剩余的交叉验证。偏见变化权衡，正规化，过度拟合，不足。合奏方法：提升，包装，随机森林。教科书：1。2。3。3。4。单元 - V无监督的学习：聚类-K均值，K模型，K-蛋白型，高斯混合模型，期望最大化。强化学习：探索和剥削权衡取舍，非社交学习，马尔可夫决策过程，Q学习。机器学习 - Saikat Dutt，Subramanian Chandramouli，Amit Kumar Das，Pearson。机器学习的基础，Mehryar Mohri，Afshin Rostamizadeh，Ameet Talwalkar，麻省理工学院出版社。凯文·墨菲（Kevin Murphy），机器学习：概率的观点，麻省理工学院出版社，2012年参考书：1。Trevor Hastie，Robert Tibshirani，Jerome Friedman，《统计学习要素》，Springer2009 2。克里斯托弗·毕晓普（Christopher Bishop），《模式识别与机器学习》，施普林格，2007年。机器学习向往，Andrew Ng。数据挖掘 - 概念和技术-Jiawei Han和Micheline Kamber，Morgan Kaufmann
B.Tech III年–II SEM 人工智能和机器学习... 机器人和自动化的数字笔记（... 人工智能与机器学习 工程化学.pdf b'' 机器学习实验室手册
主要关键词
相关文件推荐
