Classifiers - Samenvattingen en Aantekeningen

A detailed summary of the lessons of Machine Learning taught by David Martens at the University of Antwerp. This is a summary of my own notes, the slides and the book Data Science for Business.

Uitgebreide samenvatting van de lectures van Introduction to Machine Learning!

De samenvatting van Taalkunde Verdieping is een uitgebreide samenvatting waarbij alle leerdoelen worden beantwoord, door middel van de lesstof die is behandeld tijdens de colleges en opdrachten. Hier achter volgen ook de notulen van de colleges. Deze samenvatting kan gebruikt worden voor het vak Taalkunde Verdieping voor de studie Nederlandse Gebarentaal Tolk of de minor Taal en Cultuur Nederlandse Gebarentaal.

In dit document bevinden zich alle leerdoelen, volledig & netjes uitgewerkt, van Taalkunde les 1 t/m 6 van Verdieping. Dit heb ik gemaakt tijdens de minor Nederlandse Gebarentaal aan de HU. Met deze samenvatting heb ik een 8,8 gehaald voor het tentamen (ondanks ik slecht ben in MC-tentamens). Tevreden en benieuwd naar de volgende delen? Check mijn pagina!

Een duidelijke samenvatting die alle informatie bevat van de lessen taalkunde. Informatie staat gecategoriseerd op les. De informatie die je krijgt is behoorlijk, maar in dit document staat al het essentiële dat je nodig hebt voor je tentamen! Het tentamen heb ik behaald met een 8

COMPLETE SAMENVATTING - Met samenvatting van alle artikelen (22) van alle modules (9) + aantekeningen van alle webcolleges (9)! Sommige artikelen waren gescand, dus daarvan zijn de belangrijkste stukken als afbeelding toegevoegd.

Samenvatting van het vak Machine Learning, gegeven aan de Universiteit van Maastricht. Contains at least the following topics: ai regression (logistic and linear) bayesian networks graphs classification tasks/models clustering decision trees confidence intervals neural nets recommender systems support vector machine instance based learning (nearest neighbour) reinforcement learning

Full summary including an introduction of Machine Learning and algorithms, such as Decision Tree, Perceptron, Gradient Descent, Logistic Regression (classifier) and Neural Networks. This summary also includes a section about Feature Engineering. Extra context and illustrations/graphs are also given, which makes this field of study a bit more understandable.