From b2cca34c6f628dcefedfcee3347f4956dad1308c Mon Sep 17 00:00:00 2001 From: yyong119 Date: Fri, 10 Aug 2018 10:53:24 +0800 Subject: [PATCH] day 14-22 translations --- README.md | 35 +++++++++++++++++++++++++++++++++++ 1 file changed, 35 insertions(+) diff --git a/README.md b/README.md index e217f3b..128eaf1 100644 --- a/README.md +++ b/README.md @@ -85,6 +85,41 @@ [SVM实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%2013_SVM.md) +## 支持向量机(SVM)的实现 | 第14天 + +今天我在线性相关数据上实现了SVM。使用Scikit-Learn库。在scikit-learn中我们有SVC分类器，我们用它来完成这个任务。将在下一次实现时使用kernel-trick。Python代码见[此处](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%2013_SVM.py),Jupyter notebook见[此处](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%2013_SVM.ipynb)。 + +## 朴素贝叶斯分类器(Naive Bayes Classifier)和黑盒机器学习(Black Box Machine Learning) | 第15天 + +学习不同类型的朴素贝叶斯分类器同时开始Bloomberg的课程。课程列表中的第一个是黑河机器学习。它给出了预测函数，特征提取，学习算法，性能评估，交叉验证，样本偏差，非平稳性，过度拟合和超参数调整的整体观点。 + +## 通过内核技巧实现支持向量机 | 第16天 + +使用Scikit-Learn库实现了SVM算法以及内核函数，该函数将我们的数据点映射到更高维度以找到最佳超平面。 + +## 在Coursera开始深度学习的专业课程 | 第17天 + +在1天内完成第1周和第2周内容以及学习课程中的逻辑回归神经网络。 + +## 继续Coursera上的深度学习专业课程 | 第18天 + +完成课程1。用Python自己实现一个神经网络。 + +## 学习问题和Yaser Abu-Mostafa教授 | 第19天 + +开始Yaser Abu-Mostafa教授的Caltech机器学习课程-CS156中的课程1。这基本上是对即将到来的课程的一种介绍。他也介绍了感知算法。 + +## 深度学习专业课程2 | 第20天 + +完成改进深度神经网络第1周内容：参数调整，正则化和优化。 + +## 网页搜罗 | 第21天 + +观看了一些关于如何使用Beautiful Soup进行网页划分的教程，以便收集用于构建模型的数据。 + +## 学习还可行吗? | 第22天 + +完成Yaser Abu-Mostafa教授的Caltech机器学习课程-CS156中的课程2。学习Hoeffding不等式。 ## 决策树 | 第23天