leftnoteasy的機器學(xué)習(xí)blog

轉(zhuǎn)載▼

在我的博客中，推薦以下專題

機器學(xué)習(xí)中的數(shù)學(xué)系列：

1) 回歸(regression)、梯度下降(gradient descent)

2) 線性回歸，偏差、方差權(quán)衡

3) 模型組合(Model Combining)之Boosting與Gradient Boosting

4) 線性判別分析（LDA）, 主成分分析(PCA)

5) 強大的矩陣奇異值分解(SVD)及其應(yīng)用

機器學(xué)習(xí)中的算法系列：

1) 決策樹 - 隨機森林與GBDT 

2) SVM基礎(chǔ)

當(dāng)前標(biāo)簽: machine learning

當(dāng)前標(biāo)簽: 機器學(xué)習(xí)

機器學(xué)習(xí)中的算法(2)-支持向量機(SVM)基礎(chǔ)

機器學(xué)習(xí)中的算法(1)-決策樹模型組合之隨機森林與GBDT

參考資料：

1）A Tutorial on Principal Component Analysis, Jonathon Shlens 
     這是我關(guān)于用SVD去做PCA的主要參考資料 
2）http://www./samplings/feature-column/fcarc-svd 
     關(guān)于svd的一篇概念好文，我開頭的幾個圖就是從這兒截取的 
3）http://www./index.php/news-and-articles/articles/30-singular-value-decomposition-tutorial.html 
     另一篇關(guān)于svd的入門好文 
4）http://www./index.php/news-and-articles/articles/33-latent-semantic-analysis-tutorial.html 
     svd與LSI的好文，我后面LSI中例子就是來自此 
5）http://www./information-retrieval-tutorial/svd-lsi-tutorial-1-understanding.html 
     另一篇svd與LSI的文章，也還是不錯，深一點，也比較長 
6）Singular Value Decomposition and Principal Component Analysis, Rasmus Elsborg Madsen, Lars Kai Hansen and Ole Winther, 2004 
     跟1）里面的文章比較類似