2020山大机器学习实验：最大似然估计与非参数估计

"这是一本2020年的机器学习实验指导书，主要涵盖了神经网络和机器学习的相关实验。书中详细介绍了多个实验，包括最大似然估计、非参数估计、神经网络学习和集成学习等内容。实验目的是让学生掌握各种机器学习方法的理论与实践，如通过最大似然估计进行参数估计，利用非参数方法估计概率密度，以及理解和应用神经网络。书中提供的数据集用于实际操作，例如实验中给出了类1和类2的三维数据，要求学生编程实现不同情形下的最大似然估计计算，同时涉及二维和三维高斯模型的处理。" 在实验1中，最大似然估计被用来进行参数估计。实验目的旨在让参与者熟悉这一概念，具体包括在训练样本服从多元正态分布时，如何计算不同高斯情况下的均值和方差。实验数据提供了两个类别的样本，每类包含三个特征。实验内容要求编程实现对每个特征的均值和方差的求解，不仅限于三元组数据，还扩展到二维和三维数据的处理。通过这种方式，学生可以深入理解最大似然估计在实际问题中的应用。 实验3则关注非参数估计，特别是Parzen窗方法和k近邻方法的原理。实验目的是让学生掌握这些非参数方法，理解其在估计概率密度中的作用。实验内容可能包括对特定数据集应用这两种方法，以直观地感受它们的工作机制和效果。 此外，书中的实验4涉及神经网络学习，这部分可能会涵盖神经网络的基本结构、训练过程以及如何解决分类或回归问题。实验5则聚焦集成学习，可能讲解了如随机森林、梯度提升等算法，并要求学生通过编程实现这些算法，以提升模型的预测性能。 总体来说，这本书的实验设计旨在提供一个实践平台，帮助学习者巩固理论知识，提高他们在实际问题中应用机器学习技术的能力。通过完成这些实验，学生将能够更好地理解和运用神经网络、最大似然估计、非参数方法等关键概念，从而增强他们的机器学习技能。