台湾大学机器学习基石笔记整理

1.机器学习定义和PLA：

http://www.cnblogs.com/HappyAngel/p/3456762.html

2.机器学习分类：

http://blog.csdn.net/SteveYinger/article/details/51115731

3.机器学习的可行性：

http://blog.csdn.net/steveyinger/article/details/51171828

4.机器学习预测函数数量大小：

http://blog.csdn.net/MajorDong100/article/details/51223794?locationNum=13

5. Noise andError：

http://blog.csdn.net/red_stone1/article/details/71512186

6.线性回归：

https://www.douban.com/note/323611077/

7.逻辑回归：

https://www.douban.com/note/323644915/

8.二元分类线性模型：

http://blog.csdn.net/red_stone1/article/details/72453273

8.过拟合：

https://www.douban.com/note/325443925/

9.正则化：

https://www.douban.com/note/325451389/

10.验证：

http://blog.csdn.net/red_stone1/article/details/72834968

11.总结：

http://blog.csdn.net/red_stone1/article/details/72870520