机器学习与数据挖掘计算机视觉方法资料汇总（永久更新）

Posted 2022-11-25 slim1017

感觉这一学期学了挺多各种各样的机器学习方法，好多不经常用都快忘了。把各种方法我觉得讲得比较好的资料记录下来，永久更新。。。

后文提到的主要资料书籍汇总：

Ng CS229：斯坦福Andrew Ng 机器学习课程，网易公开课和coursera 上都有视频；

UFLDL教程：Andrew Ng 深度学习教程：http://deeplearning.stanford.edu/wiki/index.php/UFLDL%E6%95%99%E7%A8%8B

《独立成分分析》：作者：AapoHyvarinen周宗潭译

《模式识别 张学工 第三版》

《模式分类 Duda 第二版》

《机器学习实战》

《统计学习方法  李航  2012年》

《The Elements of Statistical Learning:Data Mining, Inference, and Prediction》2009年第二版，作者：Trevor Hastie，Robert Tibshirani，Jerome Friedman

(这本英文可以好好啃啃）

 

数据分析与降维方法：

PCA（主成分分析）

核心要点：数据预处理，选取协方差矩阵最大K个特征值，降维同时保留大部分信息。

参考资料：Ng CS229 Part11 PCA；UFLDL教程 PCA部分

进阶：kernel PCA等

 

白化

核心要点：（1）数据的去相关（PCA中的乘以旋转矩阵已经去相关了），（2）所有特征具有相同方差；白化也是常见的预处理步骤。

参考资料：UFLDL教程 白化部分；《独立成分分析》第6章。

 

LDA（线性判别分析）

核心要点：与PCA类似，但是投影目的不太一样；PCA强调寻找投影方向能保留更多的信息；DA强调投影后类间间距大，类内间距小。

参考资料：《模式识别 张学工 第三版》4.3

 

FA（Factor Analysis）

核心要点：又比较像PCA，但是它是对概率密度的估计。

参考资料：Ng CS229 Part10（用到了EM算法）

 

K-L变换（Karhunen-LoèveTransform）

核心要点：这次不是像PCA了，K-L变换包含PCA，当K-L变换中用数据的协方差矩阵作为K-L坐标系的产生矩阵时，就是PCA。

参考资料：《模式识别 张学工 第三版》8.4

 

MDS（多维尺度分析）

核心要点：样本间的距离关系在低维表示

参考资料：《模式识别 张学工 第三版》8.7；   CSDN博客 http://blog.csdn.net/songrotek/article/details/42235097

 

Manifold Learning（流形学习）

核心要点：降维，最近才开始看，入个门：IsoMap 和 LLE

参考资料：论文 ISOMAP：A Global Geometric Framework for Nonlinear Dimensionality Reduction；论文 LLE-Nonlinear Dimensionality Reduction by Locally Linear Embedding；博客：流形学习综述http://blog.csdn.net/chl033/article/details/6107042 ；UCLA 提供的 matlab code ：http://www.math.ucla.edu/~wittman/mani/index.html

。。。好像连接不能用了，但是网上其他地方能找到代码 ：http://download.csdn.net/download/bachelor119/1562326 （流形学习的代码都相对挺简单的，代码中大部分都是GUI，只看算法部分就好）；相关论文：http://blog.csdn.net/stellar0/article/details/8741623

 

ICA（独立成分分析）

核心要点：s=Ax；

参考资料：Ng CS229 Part12 ICA

进阶：《独立成分分析》整本。

 

 神经网络降维

核心要点：自编码器降维，受限波尔兹曼机降维

参考资料：论文 ：G. E. Hinton：Reducing the Dimensionality of Data with Neural Networks；UFLDL教程 自编码器部分；Theano DeepLearning 教程 自编码器部分。

 

分类方法：

KNN（最近邻分类器）

核心要点：新样本按与老样本欧氏距离最近表示最相似；

参考资料：《机器学习实战》第2章 ；《模式识别 张学工 第三版》6.1。

 

贝叶斯方法（朴素贝叶斯，贝叶斯分类器，贝叶斯信念网）

核心要点：贝叶斯公式，通过数据得到已知类别特征的概率，通过贝叶斯公式求出已知特征各类的概率。

参考资料：《机器学习实战》第4章；Ng CS229 Part 4.2；《统计学习方法》第4章。维基百科 https://en.wikipedia.org/wiki/Naive_Bayes_classifier

 

Logistic 回归

参考资料：Ng CS229 Part 1；《机器学习实战》第5章；《统计学习方法》第6章。

决策树

核心要点：用某种标准（熵增益）来量度哪个特征分类能力更强。

参考资料：《机器学习实战》第3章；《统计学习方法》第5章

 

Adaboost

（Adaboost，随机森林，SVM这几个都是计算机视觉使用最多的分类器）

核心要点：3个臭皮匠赛过猪哥亮！

参考资料：《机器学习实战》第7章；《统计学习方法》第8章

 

SVM（支持向量机）

核心要点：

线性支持向量机的优化目标实际上也是正则化，防止过拟合，这也是SVM泛化能力的保障；

加上惩罚函数C防止了某些偏离特别大的数据对决策面的过度影响；

加入kernel 把低维数据映射到高维，把低维不可分类变到高维后就可能可分了，但是数据维度高了之后，会引发维数灾变的问题，kernel trick的trick 就在于数据映射到高维去分类，却通过kernel 函数在低维空间计算高维特征的内积（SVM计算过程中只需要计算内积）。

参考资料：比较出名的博客：支持向量机通俗导论（理解SVM的三层境界）；《统计学习方法》第7章（我觉得统计学习方法这本书有些章节真心写得很细很细，想入门绝对值得一看）；Ng CS229 Part 5；

 

Mixtures of Gaussians（高斯混合模型）

核心要点：模型本身并没有太多需要理解的地方，但是这个模型的求解用到了著名的机器学习算法EM算法，这个真是得好好看看，对包含隐变量的概率问题经常用到EM算法。另外，05年斯坦福的无人车，视觉感知部分用到了这个模型来判断前方是否为可以通行区域（2分类问题）。

参考资料：Ng CS229 Notes 7a；EM算法是紧接着的 Part 9；

 

神经网络及深度学习（深度神经网络）

核心要点：多层感知器，自编码器，受限波尔兹曼机，卷积神经网络，RNN，LSTM。关于深度学习，我也写了UFLDL和Theano两个教程的笔记了。

参考资料：UFLDL教程；Theano DeepLearning 教程；这两个看完了可以看看 coursera 上 Hinton 的课：Neural Networks for Machine Learning-Geoffrey Hinton。

 

其他常见模型：

隐马尔科夫模型，条件随机场

核心要点： 这两个在自然语言处理中用得挺多

参考资料：《统计学习方法》第10，11章

 

回归模型：

线性回归；局部加权线性回归；岭回归（对参数加上正则化项）；Lasso回归；Least Angle Regression；

参考资料：《机器学习实战》第8章；《The Elements of Statistical Learning》第二版（2009年）中回归部分（这本书真心值得读，英文的，慢慢啃）。