线性判别分析(LDA)
上一节
下一节
孙家泽、王曙燕、路龙宾、张恒山、田振洲、王春梅、王小银
目录
-
1 绪论
-
1.1 引言及基本概念
-
1.2 机器学习过程及发展历程
-
1.3 机器学习算法及数据隐私权
-
-
2 数据探索及预处理
-
2.1 数据探索
-
2.2 数据预处理
-
2.3 数据归约
-
-
3 线性模型
-
3.1 线性回归
-
3.2 线性分类
-
3.3 多分类策略
-
-
4 简单分类
-
4.1 分类算法概念和KNN分类算法
-
4.2 贝叶斯分类算法
-
4.3 分类算法的评价
-
-
5 决策树
-
5.1 分类方法概述
-
5.2 ID3算法
-
-
6 集成学习
-
6.1 集成学习简介
-
6.2 如何进行有效的集成
-
6.3 怎样生成基学习器
-
6.4 集成的多样性与特征选择
-
6.5 纠错输出编码与随机注入
-
-
7 支持向量机
-
7.1 支持向量机数学模型
-
7.2 支持向量机有约束优化问题
-
-
8 关联规则
-
8.1 关联规则挖掘概念
-
8.2 Apriori关联规则算法
-
8.3 关联规则评价
-
-
9 聚类
-
9.1 聚类概述
-
9.2 k-means算法
-
9.3 k-中心算法
-
9.4 DBSCAN算法
-
-
10 降维
-
10.1 线性判别分析(LDA)
-
10.2 主成分分析(PCA)
-
-
11 人工神经网络
-
11.1 人工神经网络
-
-
12 深度学习
-
12.1 深度学习引言
-
12.2 卷积神经网络基础
-
12.3 循环神经网络基础
-
12.4 Transformer模型
-
-
13 强化学习
-
13.1 强化学习概述
-
13.2 马尔科夫决策过程1
-
13.3 马尔科夫决策过程2
-
13.4 动态规划
-
13.5 蒙特卡罗方法
-
13.6 差分学习
-
13.7 强化学习算法举例
-
