斯坦福ML公开课笔记15

我们在上一篇笔记中讲到了PCA(主成分分析)。PCA是一种直接的降维方法，通过求解特征值与特征向量，并选取特征值较大的一些特征向量来达到降维的效果。

本文继续PCA的话题，包括PCA的一个应用——LSI(Latent Semantic Indexing, 隐含语义索引)和PCA的一个实现——SVD(Singular Value Decomposition,奇异值分解)。在SVD和LSI结束之后，关于PCA的内容就告一段落。视频的后半段开始讲无监督学习的一种——ICA(Independent Component Analysis, 独立成分分析)。

本笔记的13-15部分的pdf已上传csdn资源中，下载请猛击屠龙宝刀，下载就送。

斯坦福ML公开课笔记15—隐含语义索引、奇异值分解、独立成分分析