周志华

一、书籍 原文：https://www.cnblogs.com/EstherLjy/p/9372074.html

最近开源了周志华老师的西瓜书《机器学习》纯手推笔记： 博士笔记 | 周志华《机器学习》手推笔记第一章思维导图 [ 博士笔记 | 周志华《机器学习》手推笔记第二章“模型评估与选择” 博士笔记 | 周志华《机器学习》手推笔记第三章“线性模型” 博士笔记 | 周志华《机器学习》手推笔记第四章“决策树” 博士笔记 | 周志华《机器学习》手推笔记第五章“神经网络” 博士笔记 | 周志华《机器学习》手推笔记第六章支持向量机SVM（上） GitHub地址： 西瓜书纯手推笔记 为方便大家学习，公众号【 计算机视觉联盟 】后台回复【 西瓜书手推笔记 】即可获得 手推笔记 pdf下载链接 为方便大家学习，公众号【 计算机视觉联盟 】后台回复【 吴恩达MLY 】即可获得 吴恩达你书籍 pdf下载链接 《Machine Learning Yearning》 是吴恩达历时两年，根据自己多年实践经验整理出来的一本机器学习、深度学习实践经验宝典。 作为一本 AI 实战圣经，本书主要教你如何在实践中使机器学习算法的实战经验。 Github ： https://github.com/deeplearning-ai/machine-learning-yearning-cn 在线阅读 ： https://deeplearning-ai.github.io/machine-learning-yearning-cn

【深度森林第三弹】周志华等提出梯度提升决策树再胜DNN 技术小能手 2018-06-04 14:39:46 浏览848 分布式 性能 神经网络 还记得周志华教授等人的“深度森林”论文吗？今天，ArXiv上公布了深度森林系列最新的第三弹——可做表示学习的多层GBDT。 在这篇题为“Multi-Layered Gradient Boosting Decision Trees”的论文中，作者冯霁、俞扬和周志华提出了一种新颖的具有显式表示学习能力的多层GBDT森林（mGBDT），它可以与目标传播（target propagation）的变体进行共同训练。由于树集成（tree ensembles）的优异性能，这种方法在很多神经网络不适合的应用领域中具有巨大的潜力。这项工作还表明，一个不可微分的系统，也能够具有可微分系统的关键功能（多层表示学习）。 用决策树也能做多层分布式表示学习 深度神经网络的发展在近十年来在机器学习领域取得了显著的进展。通过构建层次结构或“深层”结构，模型能够在监督或非监督的环境中从原始数据中学习良好的表示，这被认为是成功的关键因素。成功的应用领域包括计算机视觉、语音识别、自然语言处理等等。 目前，几乎所有的深度神经网络都是利用随机梯度下降的反向传播作为训练过程中对训练更新参数的主力。的确，当模型由可微组件组成(例如，带有非线性激活函数的加权和)时

机器学习是计算机科学与人工智能的重要分支领域，认真看了周志华编写的机器学习入门教材《机器学习》，在内容上尽可能涵盖机器学习基础知识的各方面。 为了使尽可能对机器学习有所了解, 试图尽可能少地使用数学知识. 然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免。认真看了前面9章，基本上对算法原理，优点缺点，适用条件讲得非常清楚，详略得当。 书中除第1章外, 每章都给出了十道习题. 有的习题是帮助读者巩固本章学习, 有的是为了引导读者扩展相关知识. 一学期的一般课程可使用这些习题, 再辅以两到三个针对具体数据集的大作业. 带星号的习题则有相当难度, 有些并无现成答案, 谨供富有进取心的读者启发思考. 《机器学习》PDF，周志华著，443页，带书签目录，文字可复制；配套机器学习笔记；配套《机器学习》课件；配套《机器学习》习题部分解答及代码。 下载: https://pan.baidu.com/s/1hy7iL8oO3Z0CSG36dOfZqg 提取码: y36q 《机器学习》共16 章，大致分为3 个部分：第1 部分（第1～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（第11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论

西瓜书（机器学习周志华）公式详细推导 南瓜书 转自： https://github.com/datawhalechina/pumpkin-book 来源： https://blog.csdn.net/weixin_44533129/article/details/99602311