吴恩达ML课程10

10_特征选择

简介：本讲首先介绍了VC维的概念——该概念能够将关于ERM一般误差的界的结论推广到无限假设类的情形；之后介绍了模型选择问题——具体介绍了交叉验证方法以及几种变形；最后介绍了特征选择问题——具体介绍了两类方法：封装特征选择和过滤特征选择。

机器学习是一门无需明确编程就能让计算机行动的科学。在过去的十年里，机器学习给我们带来了自动驾驶汽车，实用的语音识别，有效的网络搜索，以及对人类基因组的巨大了解。机器学习在今天是如此普遍，以至于你可能在不知情的情况下一天使用它几十次。许多研究人员还认为，这是实现人类水平人工智能的最佳途径。在这门课上，你将学习最有效的机器学习技术，并获得实践，并让他们为自己工作。更重要的是，您将不仅了解学习的理论基础，而且还将获得快速有效地将这些技术应用于新问题所需的实用知识。最后，您将了解与机器学习和人工智能相关的硅谷创新的一些最佳实践。本课程主要介绍机器学习、数据处理和统计模式识别。主题包括:(i)监督学习(参数/非参数算法，支持向量机，核，神经网络)。(二)无监督学习(聚类、降维、推荐系统、深度学习)。机器学习的最佳实践(偏差/方差理论);机器学习和人工智能的创新过程)。本课程还将从大量的案例研究和应用中学习，因此您还将学习如何应用学习算法来构建智能机器人(感知、控制)、文本理解(web搜索、反垃圾邮件)、计算机视觉、医学信息学、音频、数据库挖掘等领域。

讲师：Andrew Ng

【目前社区讲师征集中，欢迎愿意分享的同学联系管理员

【加入社区】