LECTURE 4 TERM 2:
MSIN0097
Predictive Analytics
A P MOORE
MACHINE LEARNING JARGON
¡ª Model
¡ª Interpolating / Extrapolating ¡ª Data Bias
¡ª Noise / Outliers
¡ª Learning algorithm
¡ª Inference algorithm
¡ª Supervised learning
¡ª Unsupervised learning
¡ª Classification
¡ª Regression
¡ª Clustering
¡ª Decomposition
¡ª Parameters
¡ª Optimisation
¡ª Training data
¡ª Testing data
¡ª Error metric
¡ª Linear model
¡ª Parametric model
¡ª Model variance
¡ª Model bias
¡ª Model generalization
¡ª Overfitting
¡ª Goodness-of-fit
¡ª Hyper-parameters
¡ª Failure modes
¡ª Confusion matrix
¡ª Data density
¡ª Partition
¡ª Hidden parameter
¡ª Feature space
¡ª High dimensional space
¡ª Low dimensional space
¡ª Separable data
¡ª Manifold / Decision surface
¡ª Hyper cube / volume / plane
D. DECOMPOSITION PROJECTION METHODS
Dimensionality reduction
D. DECOMPOSITION KERNEL METHODS
D. DECOMPOSITION MANIFOLD LEARNING
KERNEL METHODS
SupportVector Machines
DECISION BOUNDARIES
A. CLASSIFICATION CATEGORICAL VARIABLE
LARGE MARGIN
FEATURE SCALING
HARD MARGIN
MARGIN VIOLATIONS
HIGHER DIMENSIONS (FEATURES)
LINEAR SVM
POLYNOMIAL KERNEL
SIMILARITY FEATURES
RBF KERNEL
SVM REGRESSION
SVM POLYNOMIAL REGRESSION
DECISION FUNCTION
OP TIMIZ ATION
¡ª Kernel Trick
¡ª Optimization
¡ª Quadratic programming ¡ª The Dual problem
LECTURE 4 TERM 2:
MSIN0097
Predictive Analytics
A P MOORE