同學們好呀，悉尼大學COMP5329深度機器學習是一門非常不錯的選修課程，這門課程具體主題包括：深度神經(jīng)網(wǎng)絡的經(jīng)典架構、訓練深度神經(jīng)網(wǎng)絡的優(yōu)化技術、深度學習的理論理解以及深度學習在計算機視覺中的多樣應用。

　　學姐認為這是一門非常高深的課程學習，深度機器學習中解釋的方法不僅僅是可視化。它們合在一起，常常被稱為“帶學習的分類”、“監(jiān)督分類”、“機器學習”，或者只是“分類”。

　　接下來，學姐給大家簡單的科普一下關于悉尼大學COMP5329這門課程中，比較有意思的知識點，希望大家可以從中汲取到屬于自己的那一部分知識理念。

　　首先，身份已知的一小部分數(shù)據(jù)(訓練數(shù)據(jù)集)用于開發(fā)(擬合)分類模型(圖 1.6.8.3 .2 ).在下一步，該模型用于對具有未知身份的對象進行分類(測試數(shù)據(jù)集).在大多數(shù)這些方法中，可以估計分類的質量，也可以評估每個字符的重要性。

　　讓我們創(chuàng)建訓練和測試數(shù)據(jù)集虹膜數(shù)據(jù):

　　機器學習

　　統(tǒng)計機器學習的圖形表示。藍色是訓練數(shù)據(jù)集，紅線是分類模型，綠色是測試數(shù)據(jù)集，虛線顯示預測(估計)過程。

　　回歸學習

　　線性判別分析

　　最簡單的分類方法之一是線性判別分析?；舅枷胧莿?chuàng)建一組線性函數(shù)來“決定”如何對特定對象進行分類。

　　訓練產(chǎn)生的假設允許幾乎所有的植物(除了七種弗吉尼亞鳶尾)被放入適當?shù)慕M。請注意，LDA不需要縮放變量。

　　可以用推理方法檢查線性判別分析結果。多維變異分析(MANOVA)允許理解數(shù)據(jù)和模型之間的關系(從LDA分類):

　　這里重要的是基于費希爾統(tǒng)計的p值，也是威爾克斯統(tǒng)計的值概率比(在我們的例子中，組被沒什么不同).

　　可以使用類似方差分析的技術來檢查LDA中每個字符的相對重要性:

　　為了把所有的點都放在圖上，我們簡單地使用所有的數(shù)據(jù)作為訓練。注意良好的區(qū)分度(高于主成分分析、MDS或聚類分析)，即使在相近的雜色鳶尾和一.弗吉尼亞。這是因為LDA經(jīng)常高估群體之間的差異。這一特性，以及線性判別分析的參數(shù)性和線性度，使其在過去幾年中使用較少。

　　上方就是學姐給大家總結出來的關于悉尼大學COMP5329這門課程的主要學習資料啦，大家有沒有真正意義上的學習到其中的知識呢?澳洲留學生輔導老師幫助同學們進行定制化細致的溝通解答，幫助同學們解決所有在課程學習中遇到的疑難問題。