최근 UPC / Barcelona의 Oriol Pujol 교수의 기계 학습 수업에서 그는 광범위한 기계 학습 관련 작업에 사용할 가장 일반적인 알고리즘, 원리 및 개념을 설명했습니다. 여기서 나는 당신과 그것들을 공유하고 당신에게 묻습니다.
- 다양한 유형의 기계 학습 관련 문제와 관련된 접근 방식 또는 방법과 포괄적 인 프레임 워크 일치 작업이 있습니까?
간단한 가우시안을 어떻게 배울 수 있습니까? 확률, 랜덤 변수, 분포; 추정, 수렴 및 무증상, 신뢰 구간.
가우스 혼합 (MoG)을 어떻게 배우나요? 가능성, 기대 최대화 (EM); 일반화, 모델 선택, 교차 검증; k- 평균, 숨겨진 마르코프 모델 (HMM)
밀도를 배우려면 어떻게해야합니까? 파라 메트릭 대 비 파라 메트릭 추정, Sobolev 및 기타 기능 공간 ĺ 2 오류; 커널 밀도 추정 (KDE), 최적 커널, KDE 이론
연속 변수 (회귀)를 어떻게 예측합니까? 선형 회귀, 정규화, 능선 회귀 및 LASSO; 국소 선형 회귀; 조건부 밀도 추정.
불연속 변수 (분류)를 어떻게 예측합니까? 베이 즈 분류기, 순진 베이 즈, 생성 대 차별; 퍼셉트론, 무게 감퇴, 선형지지 벡터 머신; 가장 가까운 이웃 분류기와 이론
어떤 손실 기능을 사용해야합니까? 최대 가능성 추정 이론; 1-2 추정; 베이지안 추정; 미니 맥스 및 의사 결정 이론, 베이지안 대 잦은주의
어떤 모델을 사용해야합니까? AIC 및 BIC; Vapnik-Chervonenskis 이론; 교차 검증 이론; 부트 스트랩; 아마도 대략 정확한 (PAC) 이론; 호핑 파생 경계
더 멋진 모델을 어떻게 배울 수 있습니까? 앙상블 학습 이론; 부스팅; 배깅; 스태킹
더 멋진 모델을 어떻게 배울 수 있습니까? 일반화 된 선형 모형, 로지스틱 회귀; 콜 모고 로프 정리, 일반화 된 부가 모델; 커널 화, 커널 힐버트 공간 재현, 비선형 SVM, 가우스 프로세스 회귀
더 멋진 모델을 어떻게 배울 수 있습니까? 재귀 모델, 의사 결정 트리, 계층 적 클러스터링; 신경망, 역 전파, 깊은 믿음 네트워크; 그래픽 모델, HMM의 혼합, 조건부 랜덤 필드, 최대 마진 Markov 네트워크; 로그 선형 모델; 문법
기능을 줄이거 나 연관시키는 방법은 무엇입니까? 특징 선택 대 차원 감소, 특징 선택을위한 래퍼 방법; 인과 관계 vs 상관, 부분 상관, Bayes net 구조 학습
새로운 기능은 어떻게 만듭니 까? 주성분 분석 (PCA), 독립 성분 분석 (ICA), 다차원 스케일링, 매니 폴드 학습, 감독 차원 축소, 메트릭 학습
데이터를 줄이거 나 연관시키는 방법은 무엇입니까? 클러스터링, 이중 클러스터링, 제한된 클러스터링; 협회 규칙 및 시장 바구니 분석; 순위 / 순서 회귀; 링크 분석; 관계형 데이터
시계열은 어떻게 처리합니까? ARMA; 칼만 필터 및 통계 공간 모델, 입자 필터; 기능적 데이터 분석; 변화 점 탐지; 시계열에 대한 교차 검증
비 이상적인 데이터는 어떻게 처리합니까? 공변량 이동; 계급 불균형; 데이터 누락, 불규칙적으로 샘플링 된 데이터, 측정 오류; 이상 감지, 견고성
매개 변수를 어떻게 최적화합니까? 비제 한 대 제약 / 볼록 최적화, 미분없는 방법, 1 차 및 2 차 방법, 백 피팅; 자연 구배; 바운드 최적화 및 EM
선형 함수를 어떻게 최적화합니까? 계산 선형 대수, 회귀를위한 행렬 역전, 차원 축소를위한 특이 값 분해 (SVD)
제약 조건으로 최적화하려면 어떻게합니까? 볼록, Lagrange 멀티 플라이어, Karush-Kuhn-Tucker 조건, 내부 포인트 방법, SVM 용 SMO 알고리즘
깊이 중첩 된 합계는 어떻게 평가합니까? 정확한 그래픽 모델 유추, 합계의 변동 범위, 대략적인 그래픽 모델 유추, 기대 전파
큰 금액과 검색을 어떻게 평가합니까? 일반화 된 N- 본체 문제 (GNP), 계층 적 데이터 구조, 가장 가까운 이웃 검색, 빠른 다중 방법; Monte Carlo 통합, Markov Chain Monte Carlo, Monte Carlo SVD
더 큰 문제를 어떻게 처리합니까? 병렬 / 분산 EM, 병렬 / 분산 GNP; 확률 론적 하급 법, 온라인 학습
이 모든 것을 현실 세계에 어떻게 적용합니까? ML의 각 부분에 대한 개요, 각 작업에 사용할 방법, 사전 지식 및 가정 중에서 선택; 탐색 적 데이터 분석 및 정보 시각화; 신뢰 구간과 가설 검정, ROC 곡선을 이용한 평가 및 해석; ML의 연구 문제는 어디에