0%

概率论：

发表于 更新于 分类于 阅读次数：
本文字数： 505 阅读时长 ≈ 1 分钟

2018年3月4日 上午12:36

这节中的链接是非常重要的文章，对我的理解起至关重要的作用

总结：

  1. 我在这次课程中有了两点新的认识：
    1. 机器学习现在已经算是比较成熟的技术了，判断标准就是网上有非常多优秀的文章，现在我充当的角色是去找那些优秀的文章资料去阅读学习，而不是去自己重新的去写一篇文章
    2. 看似复杂的机器学习，其实他重要的数学知识，大学中学的就足够了，对于应用开发来说，不要夸大数学的作用，给自己施加不切实际的压力
  2. 这下面就是我找到，并阅读的一些很好的文章。
    1. 如何通俗易懂地解释「协方差」与「相关系数」的概念？ - 知乎
    2. 带你搞懂朴素贝叶斯分类算法 - CSDN博客
      1. 带你搞懂朴素贝叶斯分类算法
    3. KL散度的理解 - CodenameNC - 博客园
    4. 决策树 - OverFitting - 博客园
    5. 深入理解:Linear Regression及其正则方法 - OverFitting - 博客园
    6. 特征选择方法之互信息 - CSDN博客
    7. 推荐系统评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure) | 书影博客
  3. 老师的ppt中也有一些知识点的理解，与重点罗列
    Probability.pdf

不足之处：

  1. 我上面罗列出来的东西并没有让雪球滚起来！！！