站内索引 / 课程与概念
搜索知识库
输入中文术语、英文别名、符号或 LaTeX。结果覆盖课程概念、正文、方程、实验、学习路径和资源，可按学科、主题、类型与难度筛选。
9 项
- article
Stanford CS229 Course Materials
覆盖监督学习、广义线性模型、学习理论、优化与生成学习算法。
- article
正则化：用结构偏好约束有限数据中的学习
从惩罚经验风险推导 L2 与 L1 正则化，解释尺度、贝叶斯联系、早停和数据增强，并规范超参数选择。
machine-learning · learning-theory · 难度 3 · 正文可读 - article
监督学习：从带标签样本到可检验的预测规则
建立监督学习的问题定义，区分样本、模型、损失、经验风险、验证选择与未知分布上的泛化误差。
machine-learning · learning-theory · 难度 2 · 正文可读 - article
过拟合与泛化：训练集之外的误差从何而来
区分训练误差、验证估计、泛化间隙与分布偏移，并用容量、集中界和偏差方差分析解释模型选择。
machine-learning · learning-theory · 难度 3 · 正文可读 - concept
偏差—方差分解
把平方预测误差分解为系统偏差、样本波动与不可约噪声，解释模型复杂度权衡。
machine-learning · learning-theory · 难度 3 · 详细大纲 - concept
因果表征学习
从观测与干预中学习能稳定表达生成因素和因果机制的潜在表示。
interdisciplinary · scientific-machine-learning · 难度 5 · 详细大纲 - concept
模型评估
按任务选择准确率、精确率、召回率、ROC 或回归误差，并避免训练集评估偏差。
machine-learning · learning-theory · 难度 2 · 详细大纲 - concept
自监督学习
从数据本身构造预测或对比任务，学习可迁移表示而不依赖人工标签。
machine-learning · neural-networks · 难度 4 · 详细大纲 - learning-path
从线性模型到神经网络
从监督学习和线性分类进入损失、泛化、多层感知机与反向传播。