【导读】本文档包含加州大学伯克利分校机器学习Jonathan Shewchuk入门课程的课堂讲稿。它涵盖了许多分类和回归的方法，以及聚类和降维的方法。简洁明了，是非常合适的机器学习入门学习材料。
内容目录包括：
介绍
线性分类器和感知器
感知器学习;最大边缘分类器
软边缘支持向量机;特性
机器学习抽象和数值优化
决策理论;生成和判别模型
高斯判别分析，包括QDA和LDA
特征向量与各向异性多元正态分布
各向异性高斯，最大似然估计，QDA和LDA
回归，包括最小二乘线性回归和逻辑回归
更多的回归;牛顿法;ROC曲线
统计的理由;偏见方差分解
收缩:脊线回归，子集选择，套索
内核的诀窍
决策树
更多的决策树、集成学习和随机森林
神经网络
神经元;神经网络的变化
更好的神经网络训练;卷积神经网络
无监督学习与主成分分析
奇异值分解;聚类
光谱图聚类
学习理论
多个特征向量;潜在的因素分析;最近的邻居
更快的最近邻居:Voronoi图和k-d树
专知便捷查看
便捷下载，请关注专知人工智能公众号（点击上方蓝色专知关注）
后台回复“CML171” 就可以获取《伯克利Jonathan教授最新《简明机器学习》讲义教程，171页pdf》专知下载链接
还没有评论，来说两句吧...