【Mark Schmidt课件】机器学习与数据挖掘——进一步讨论PCA

本课件的主要内容包括：

1. 机器学习工程师需要精通的10种算法

2. 上次课程回顾：隐因子模型

3. 上次课程回顾：主元分析

4. 上次课程回顾：PCA几何描述

5. 题外话：数据凝聚

6. PCA计算：交替最小化

7. PCA计算：预测

8. PCA计算：随机梯度

9. PCA的非唯一性

10. 高维跨度

11. 基、正交性、序贯拟合

12. 基于SVD的PCA

13. 合成 vs. 分析

14. 概率PCA

15. 概率PCA泛化

16. 要素分析

17. PCA vs. 要素分析

18. 要素分析讨论

19. 研究ICA的动机

20. 盲源分离

21. 独立分量分析的应用

22. 矩阵分解的限制

23. 一个独特的高斯特性

24. PCA vs. ICA

25. 独立分量分析

26. ICA在零售采购数据上的应用

英文原文课件下载地址：

http://page5.dfpan.com/fs/cl0c3j32e2a1e229163/

更多精彩文章请关注微信号：