Skip to content
所有標籤

#knn

3 篇文章
techguideHarvard CS50 Introduction to Artificial Intelligence with Python 導讀

Learning——監督式學習、k-NN、SVM、強化學習 Q-learning 與 Nim｜Harvard CS50 AI 第 4 週

第 4 週講機器學習的三種形式。監督式學習從有標籤的資料學出 hypothesis function：分類可以看最近的 k 個鄰居，或用一組權重畫出決策邊界（perceptron learning rule、logistic regression、support vector machine），再用損失函數、regularization 與 cross-validation 對付 overfitting。強化學習用 Q-learning 依 reward 更新每個 state 與 action 的估計值，ε-greedy 留一點機率隨機探索。非監督式學習以 k-means 分群。附逐段時間連結，以及 Shopping、Nim 兩個專案的解題思路與檢查方式。

#harvard-cs50ai#ai#machine-learning#supervised-learning#knn#svm#reinforcement-learning#q-learning#nim#shopping#python#cs50
techguideHarvard CS1810 Machine Learning 導讀

冰芯溫度迴歸 — kNN、核迴歸、基底函數與正則化四題導讀｜Harvard CS181 作業 1

HW1 用 80 萬年冰芯溫度資料串起四題：kNN 與核迴歸、最小平方法的幾何證明、基底函數迴歸、以及從機率觀點推出 ridge／LASSO 正則化，最後用 coordinate descent 實作 LASSO。

#harvard#cs181#regression#linear-regression#kernel-regression#knn#regularization#ice-core#python#machine-learning
learningguideCMU 10-301 Introduction to Machine Learning 導讀

比較 K-NN、Perceptron 與 Linear Regression｜CMU 10-301 作業 3

HW3 是純 written 作業，以 decision tree 回顧，再比較 K-NN、Perceptron 與 Linear Regression 的 inductive bias、誤差與 model selection。

#cmu#machine-learning#knn#perceptron#linear-regression