机器学习

白天 夜间 首页 下载 阅读记录
  我的书签   添加书签   移除书签

§ SVM支持向量机学习

浏览 198 扫码 分享 2022-07-22 22:41:25
  • SVM-支持向量机概述
  • SVM教程
  • 最佳超平面
  • SVM无约束最小化
  • 凸函数
  • 对偶和拉格朗日乘数
  • 软间隔支持向量机
  • 核技巧和核函数（7分钟简单读懂）
  • 核技巧支持向量机
  • 核函数讲解和常用核函数
  • SVM代码实现（matlab）
  • SVM自写代码

若有收获，就点个赞吧

0 人点赞

上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 🔋 GitHub2万星，两款机器学习画图工具，让你从入门到可视化大师
  • 🍡 关于Adaboost
  • 🌱 t-SNE：可视化效果最好的降维算法
  • ⛲️ Bagging和Boosting算法
  • ♐️ 机器学习路线规划
  • 💻 机器学习画图神器
  • ⏳ 机器学习常用的数据集
  • 📁 迁移学习
    • § 简介与教程
    • § 代码
  • 🔫 机器学习算法优缺点对比
    • § LightGBM
      • LightGBM参数
      • LightGBM为什么有这些优点？
      • 参数
      • 重要的文件
      • matlab混编
    • § xgboost工具箱
      • ♠ CMake入门
      • ♠ CMake多文件构建
    • § Adaboost工具箱
    • § 随机森林
      • ♠ 随机森林算法理论
      • ♠ RF实现
        • ♥ RF对数据集的分类
        • ♥ 运行简单例子
        • ♥ mex -setup设置编译器
    • § Fitensemble实现集成学习
    • § AdaBoost, GBDT, RF, XGboost, LightGBM的对比分析
    • § GBDT
      • ♠ GBDT深入浅出学习
      • ♠ GBDT的原理和应用
      • ♠ GBDT公式推导
  • 🍈 统计学习方法
    • § 第一章 统计学习及监督学习概论
    • § 第二章 感知机
    • § 第三章k近邻
  • 🍉 西瓜书
    • § 第七章 贝叶斯分类器
    • § 第八章 集成学习
    • § 第十一章 特征选择与稀疏学习
    • § 第十二章 计算学习理论
      • 第十二章 基础知识,PAC学习,有限假设空间
      • 第十二章（VC维）
      • Rademacher复杂度
      • 稳定性
    • § 第十三章 半监督学习
      • 未标记样本、生成式方法、半监督SVM
    • § 第十四章 概率图模型
    • § 课后习题
      • 第十一章 课后习题
      • 第八章 课后习题
  • 🍐 监督学习
    • § 逻辑回归（Logistic Regression）
    • § 决策树
      • 决策树学习（一）
      • 决策树学习（二）
      • 决策树学习（三）
      • 决策树Matlab实现
    • § SVM支持向量机学习
      • SVM-支持向量机概述
      • SVM教程
      • 最佳超平面
      • SVM无约束最小化
      • 凸函数
      • 对偶和拉格朗日乘数
      • 软间隔支持向量机
      • 核技巧和核函数（7分钟简单读懂）
      • 核技巧支持向量机
      • 核函数讲解和常用核函数
      • SVM代码实现（matlab）
      • SVM自写代码
  • 🍆 无监督学习
    • § K近邻算法
    • § 特征值和奇异值
    • § PCA降维
    • § matlab实现
    • § K均值聚类（K-means）
    • § matlab实现（Kmeans）
暂无相关搜索结果！

    让时间为你证明

    展开/收起文章目录

    分享，让知识传承更久远

    文章二维码

    手机扫一扫，轻松掌上读

    文档下载

    请下载您需要的格式的文档，随时随地，享受汲取知识的乐趣！
    PDF文档 EPUB文档 MOBI文档

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度
        思维导图备注