墒
增益
增益率
贝叶斯分类器
朴素贝叶斯
分布规则
高斯分布
MLE
线性回归
线性感知器
线性感知激活
动量方法
交叉验证
最近邻
k邻近
核回归（近邻加权）
局部加权（拟合加权）
高斯混合假设
马尔科夫
描述
三问题
前向迭代层次计算解决概率计算
维比特算法动态规划记录最佳路径
模型学习EM算法
EM for HMM
最后
以上就是快乐便当最近收集整理的关于Andrew Moore CMU machine learning Notes（ML part）的全部内容，更多相关Andrew内容请搜索靠谱客的其他文章。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复