温州大学黄海广教授机器学习特征工程PPT。 在原始数据集中的特征的形式不适合直接进行建模时，使用一个或多个原特征构造新的特征可能会比直接使用原有特征更为有效。特征构建：是指从原始数据中人工的找出一些具有物理意义的特征。操作：使用混合属性或者组合属性来创建新的特征，或是分解或切分原有的特征来创建新的特征。方法：经验、属性分割和结合。数据归一化的目的是使得各特征对目标变量的影响一致，会将特征数据进行伸缩变化，所以数据归一化是会改变特征数据分布的。数据标准化为了不同特征之间具备可比性，经过标准化变换之后的特征数据分布没有发生改变。就是当数据特征取值范围或单位差异较大时，最好是做一下标准化处理。聚合特征构造主要通过对多个特征的分组聚合实现，这些特征通常来自同一张表或者多张表的联立。聚合特征构造使用一对多的关联来对观测值分组，然后计算统计量。常见的分组统计量有中位数、算术平均数、众数、最小值、最大值、标准差、方差和频数等。相对于聚合特征构造依赖于多个特征的分组统计，通常依赖于对于特征本身的变换。转换特征构造使用单一特征或多个特征进行变换后的结果作为新的特征。

斯坦福大学经典的机器学习课程讲义， 黄海广个人笔记完整版。版本很新。

黄海广针对吴恩达老师深度学习课程(deeplearning.ai) 视频做的笔记；黄海广针对吴恩达老师深度学习课程(deeplearning.ai) 视频做的笔记；黄海广针对吴恩达老师深度学习课程(deeplearning.ai) 视频做的笔记

机器学习个人笔记完整版v4.21-黄海广大神笔记，吴恩达机器学习必看经典

本文档是针对吴恩达老师深度学习课程视频做的笔记。在这5堂课中，学生将可以学习到深度学习的基础，学会构建神经网络，并用在包括吴恩达本人在内的多位业界顶尖专家指导下创建自己的机器学习项目。本课程对卷积神经网络 (CNN)、递归神经网络 (RNN)、长短期记忆 (LSTM) 等深度学习常用的网络结构、工具和知识都有涉及。

吴恩达机器学习个人笔记-黄海广，完整版，最新版，具体更新可以去黄海广博客查找。

本人黄海广博士，以前写过吴恩达老师的机器学习个人笔记。有朋友报名了课程，下载 了这次课程的视频给大家分享。Coursera 的字幕不全，同学们在学习上感觉非常不方便，因 此我找志同道合的朋友翻译和整理字幕，中英文字幕来自于由我和曹骁威同学组织爱好者翻 译，希望对大家有所帮助。

吴恩达老师机器学习课的笔记。黄海广博士原创，黄海广博士也是这门课的最初翻译者。包括课堂笔记，数学基础，Python代码。