支持向量机（SVM）不仅可以用于分类问题，还可以用于回归问题。在 SVM 回归中，模型的目标是尽量拟合给定的数据集，同时保持尽可能多的数据点落在间隔（epsilon-tube）内。

机器学习数学基础之微积分与概率论1. 导数与梯度下降1.1 方向导数1.2 在机器学习的应用2. 基本概率论2.1 条件概率2.2 全概率公式2.3 贝叶斯公式2.4 随机变量2.5 期望2.6 方差3. 分布3.1 伯努利分布3.2 二项分布3.3 高斯分布3.4 泊松分布 （本文为学习总结笔记，如有雷同请无视） 1. 导数与梯度下降 1.1 方向导数 梯度下降法会引起局部最优值的可能。 1.2 在机器学习的应用 1、初始化一个w值 2、传入数据集，进行对w的调整 3、最后输出一个最优的w，解决了识别的任务（有可能是局部最优） 2. 基本概率论 人工智能主要对识别的结果进行概率分析，根据概

大于二十种模型的对比以及模型集成，本方案保证回归准确率和创新性，限时发布！ 我们的建模方案使用Pycaret作为机器学习工具，PyCaret 是 Python 中的开源低代码机器学习库，可自动执行机器学习工作流程。它是一种端到端的机器学习和模型管理工具，可以成倍地加快实验周期并提高工作效率。与其他开源机器学习库相比，PyCaret 是一个高度封装的低代码库，可以用几行代码代替数百行代码。这使得机器学习实验呈指数级快速和高效。

数学建模有关的算法代码，MATLAB的基本实现，智能算法k-means，聚类算法的代码实例，通过了解基本原理知道分类方法，通过随机生成数据来模拟，实现基本的聚类情况，可在原有代码基础上改进。

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：这是新书『强化学习的数学基础』的书稿，作者赵世钰，现任西湖大学工学院智能无人系统实验室主任。2022年秋季是作者第四次教授强化学习的研究生课程，撰写这份资料是为了弥补已有教材的不足。 ◉ 目录： 第2章：贝尔曼方程，是分析状态值的基本工具 第3章：贝尔曼最优方程，是一个特殊的贝尔曼方程 第4章：值迭代算法，是一种求解贝尔曼最优方程的算法 第5章：蒙特卡罗学习，是第4章策略迭代算法的扩展 第6章：随机逼近的基础知识 第7章：时差学习，第6章是本章的基础 第8章：扩展了表格时间对价值函数逼近情况的差分学习方法 第9章：策略迭代 第10章：actor-critic 方法

中文翻译Introduction to Linear Algebra, 5th Edition 6.2节

机器学习基本数学知识-协方差矩阵\特征值\特征向量

面向机器学习领域中的数学建模算法与应用该书的习题解答

机器学习的数学理论基础，是入门机器学习的第一步，也是重要的知识点

机器学习数学（MML书）-我的自学 按文件夹： Python代码 只是播放我用来更好地理解各种概念的代码。 高斯主义者的混合尤其棘手。 本章习题解答 每章练习的解决方案。 笔记本可能会花费一些时间来渲染所有LaTeX。 第2章解决方案： ， 第3章解决方案： ， 第4章解决方案： ， 第5章解决方案： ， 第6章解决方案： ， 第7章解决方案： ， 杂项 其他：） 知识就是力量。 分享它。