周志华

机器学习重要国际会议： 国际机器学习会议（ICML） 国际神经信息处理系统会议（NIPS） 国际学习理论会议（COLT） 机器学习重要区域会议： 欧洲机器学习会议（ECML） 亚洲机器学习会议（ACML） 机器学习重要国际期刊： Journal of Machine Learning Research Machine Learning 人工智能领域重要会议： IJCAI AAAI 人工智能重要期刊： Artificial Intelligence Journal of Artificial Intelligence Research 数据挖掘领域重要会议： KDD、ICDM 数据挖掘重要期刊： ACM Transactions on Knowledge Discovery from Data Data Mining and Knowledge Discovery 计算机视觉与模式识别重要会议： CVPR 计算机视觉与模式识别重要期刊： Neural Computation IEEE Transactions on Neural Networks and Learning Systems. 统计学重要期刊： Annals of Statistics 国内： 国内有两年一次的中国机器学习大会（CCML） 每年举行的机器学习及其应用研讨会（MLA） 很多学术刊物也经常刊登机器学习相关论文

来源： CSDN 作者： QDU Harrison 链接： https://blog.csdn.net/weixin_44033021/article/details/104503329

# -*- coding: utf-8 -*- """ Created on Thu Feb 20 15:49:38 2020 @author: 29033 """ #参考代码https://blog.csdn.net/A993852/article/details/80099258 import numpy as np import matplotlib . pyplot as plt import pandas as pd df = pd . read_excel ( 'E:/01machineLearning/周志华/西瓜数据集3a.xlsx' ) X0 = df . iloc [ : 8 , 1 : 3 ] X1 = df . iloc [ 8 : , 1 : 3 ] X0 = X0 . values X1 = X1 . values #求正反例均值 miu0 = np . mean ( X0 , axis = 0 ) . reshape ( ( - 1 , 1 ) ) miu1 = np . mean ( X1 , axis = 0 ) . reshape ( ( - 1 , 1 ) ) #求协方差 cov0 = np . cov ( X0 , rowvar = False ) cov1 = np . cov ( X1 , rowvar = False ) #求出w S

2018年在学习的道路上走走停停，停停走走，始终没有坚持下来。非常惭愧。 通过自己发给自己微信小号的聊天记录，大概归纳一下2018年学习了些什么东西 3月 主要看了一些大学的MOOC课程 吉林大学人工智能公开课看到了第9讲左右，后来发现它和中国大学MOOC上北大王敏文的《 人工智能原理 》课程比较相似，于是放弃了吉大公开课，继续看北大版的 网易公开课上的麻省理工学院的Patrick教授的 人工智能 基础课在本月看到了第16集 腾讯课堂上找了一门人工智能（机器学习）实践课看了大概3集左右，最后一集是朴素贝叶斯之垃圾邮件过滤实战 3.26大概是去哪面试了失败了（写着今日铩羽而归），晚上重拾selenium的学习，搞到了27号凌晨1:45 3.29却到新到单位上班了，还用微信记录了从单位到家的公交上下车时间，那前面的铩羽而归又是什么意思？ 本月有记录的学习日：16、17、18、20、21、23、26、27 共8天 4月 4月主要在看北大版的人工智能MOOC与MIT的人工智能课 8号晚上刷了很久的抖音 本月可能已经看完MIT的课程了，最后的记录是第18集已看完 本月有记录的学习日：5、7、15、18、30 共5天 5月 5月主要在学的课程是北大版的人工智能原理，另外看了一些《意志力》这本书中的内容 本月有记录的学习日：5、8、13、20、23、25、27、28、（24、29两天在读《意志力

基本术语 数据集：由数据组成的集合 示例/样本：对于每条数据记录，关于一个事件或对象的描述 属性/特征：反应事件或者对象在某方面的表现或性质的事项，例如“色泽”“根蒂”“敲声” 属性值：属性上的取值，例如“青绿”“乌黑” 属性空间/样本空间/输入空间：属性张成的空间，例如把“色泽”“根蒂”“敲声”作为三个坐标轴，则它们张成一个用于描述西瓜的三维空间，每个西瓜都可在这个空间中找到自己的坐标位置 特征向量：属性空间中每个点所对应的坐标向量 一般地，令 表示包含m个示例的数据集，每个实例由d个属性描述，则每个实例 是d维样本空间 中的一个向量， ，其中 是 在第j个属性上的取值，d称为样本 的“维数” 学习/训练：从数据中学得模型的过程 训练数据：训练过程中使用的数据，其中每个样本称为一个“训练样本” 训练集：训练样本组成的集合 假设：关于数据的某种潜在的规律的学得模型 真相/真实：潜在规律本身 有时将模型称为“学习器”，可看做学习算法在给定数据和参数空间上的实例化 标记：关于实例结果的信息 样例：拥有了标记信息的实例 一般用 表示第i个样例 来源： CSDN 作者： free迷茫 链接： https://blog.csdn.net/qq_42966160/article/details/103771941

机器学习周志华习题1.1和1.2 仅供参考 参考> https://blog.csdn.net/icefire_tyh/article/details/52065224 来源： CSDN 作者： 微笑u 链接： https://blog.csdn.net/weixin_44148281/article/details/85059844

在ipad的Goodnotes记了笔记，导出为图片记录在CSDN上。 转载请标明出处: 周志华《机器学习》（西瓜书）学习笔记――第三章线性模型 文章来源: https://blog.csdn.net/karry_zzj/article/details/92660299

衡量模型泛化能力的评价标准，就是性能度量（performance measure）。 （1）错误率与精度 （2）查准率、查全率与F1 基于样例真实类别，可将学习器预测类别的组合划分为真正例（true positive）、假正例（false positive）、真反例（true negative）、假反例（false negative）, TP 、 FP 、 TN 、 FN 分别表示其对应的样例数，则有 TP+FP+TN+FN =样例总数。 查准率 P 与查全率 R 分别定义为： P = TP /（ TP+FP ）=>正例结果中真正例数/正例结果总数 R = TP /（ TP+FN ）=>正例结果中真正例数/结果中所有真正例数 查准率高时，查全率往往偏低，查全率高时，查准率往往偏低（例如选西瓜例子，希望查全率高则应尽可能将所有瓜都选上，但这样查准率必然更低，若希望查准率高则应尽可能挑最有把握的瓜，但这样必然会漏掉一些好瓜，使查全率低）。通常只有在一些简单任务中，才可能使查全率和查准率都很高。 通常按学习器预测结果为正例可能的大小对样例排序，即排在前面的是学习器认变“最可能”是正例的样本，排在最后的则是学习器认为“最不可能”的正例样本。从上到下逐个把样本作为正例进行预测，每次均计算出当前的查全率、查准率，以查准率为纵轴、查全率为横轴作图，得到查准率-查全率曲线P-R曲线，简称P-R图。

（1 ）向机器学习的过渡 20世纪50-70年代，人工智能处于“推理期”，赋予机器逻辑推理能力，代表工作：A.Newell和H.Simon的“逻辑理论家”(Logic Theorist)程序以及此后的“通用问题求解”(General Problem Solving)程序等，A.Newell和H.Simon获图灵奖。 20世纪50-70年代中期开始，在E.A.Feigenbaum等的倡导下，人工智能研究进入了“知识期”，大量专家系统问世。E.A.Feigenbaum等作为“知识工程”之父获图录奖。 知识工程遇到瓶颈(总结知识再教给计算机相当困难)=>设法让机器自己能够学习知识。 （2 ）机器学习发展 图灵在1950年图灵测试文章中，提到机器学习的可能性； 20世纪50年代已有机器学习研究，如A.Samuel的跳棋程序； 20世纪50年代中后期，基于神经网络的“连接主义”学习 ，代表作F.Rosenblatt的 感知机 (Perceptron)、B.Widrow的Adaline等。 20世纪60-70年代，基于逻辑表示的“符号主义”学习技术蓬勃发展 ，代表作P.Winston的“结构学习系统”、R.S.Michalski等的“基于逻辑的归纳学习系统”、E.B.Hunt等人的“概念学习系统”等； 以决策理论为基础的学习技术以及强化学习技术等也得到发展，代表作N.JNison的“学习机器

机器学习笔记（一）绪论 什么是机器学习呢？ 假设 P：计算机程序在某任务类T上的性能 T：计算机程序希望实现的任务类 E：表示经验，即历史的数据集 若该计算机程序通过利用经验E在任务T上获得了性能P的改善，则该程序对E进行了学习。 即机器学习是致力于研究如何通过计算手段，利用经验来改善系统自身性能的学科，研究的主要内容是关于在计算机上从数据中产生“模型”的算法，即学习算法。 机器学习中的基本术语 数据集：所有 数据的集合。 每条记录是关于一个事件或对象的描述，称为一个“示例”或“样本”。 反映事件或对象在某方面的表现或性质的事项，称为“属性”或“特征”。 属性上的取值称为“属性值”。 属性张成的空间称为“属性空间”、“样本空间”、或“输入空间”。 对于每一条记录，如果在坐标轴上表示，都可以用坐标中的一个点表示，空间中的每个点对应一个坐标向量，因此也将一个示例（样本）称为一个特征向量。 一个样本的特征数为“维数”。 在计算机程序学习经验数据生成算法模型的过程中，每一条记录称为一个“训练样本”同时在训练好模型后，用来测试模型效果的新的样本称为“测试样本”。 所有训练样本的集合称为训练集**【特殊】** 所有测试样本的集合称为测试集**【一般】** 机器学习出来的模型适用于新样本的能力为：泛化能力，即从特殊到一般。 若所要预测的是离散值，此类学习任务是“分类”， 若所要预测的是连续值