- 机器学习中的范数规则化之（一）L0、L1与L2范数 https://blog.csdn.net/zouxy09/article/details/24971995
-- 这篇博客将范数在机器学习里面的应用讲的很清楚，尤其是说明了为什么更多时候要用L2范数。 - 谱聚类（spectral clustering）原理总结 https://www.cnblogs.com/pinard/p/6221564.html
-- 个人感觉是在网上能找到的关于谱聚类的最清楚的介绍。 - 拉格朗日乘子法、罚函数法、乘子罚函数法https://blog.csdn.net/lmm6895071/article/details/78329045?locationNum=7&fps=1
-- 很系统的讲了拉格朗日乘子法、罚函数法、乘子罚函数法的原理，附带有例子。 - 基于L2,1范数的特征选择方法https://blog.csdn.net/lqzdreamer/article/details/79678875
-- 聂老师一篇论文的论文笔记，提炼出来的思路很清晰，值得做笔记时借鉴。 - 系统学习机器学习之维度归约（完整篇）https://blog.csdn.net/u014470581/article/details/51770356
-- 讲PCA主成分分析等方法的，还没来得及仔细看，抽时间认真学习一下。 - 如何理解矩阵特征值和特征向量？https://www.matongxue.com/madocs/228.html
-- 知乎高分回答，很久之前读过，收获很多。
7.常用数学符号的 LaTeX 表示方法http://www.mohu.org/info/symbols/symbols.htm
-- 写文章时需要，用LaTeX写公式确实好用，而且csdn的markdown支持LaTeX公式。 - 拉普拉斯矩阵/映射/聚类https://blog.csdn.net/yujianmin1990/article/details/48420483
-- 主要讲了拉普拉斯矩阵的性质，博客最后附的几个链接都挺值得一看的。 - Google发布“多巴胺”开源强化学习框架，三大特性全满足https://blog.csdn.net/csdnnews/article/details/82194833
-- 是时候接触一下前沿的一些研究和框架了。（虽然Google开源出来了说明他已经有了更好的东西=_=）
网友评论