程序员书库(ID:CodingBook)整编
今天要和大家分享一份加州大学伯克利分校机器学习入门课程的课堂讲稿。它涵盖许多分类和回归的方法,以及聚类和降维的方法。它之所以简洁,是因为它没有任何内容是多余的,全部都是课上实打实的知识重点。而且课程主题的选择只在一小部分特别有用、流行的算法。
1、介绍
2、线性分类器和感知器模型
3、感知器学习、最大边缘分类器
4、软间隔支持向量机
5、机器学习的抽象和数值优化
6、决策理论:生成模型和区别模型
7、高斯判别分析,包括QDA和LDA
8、特征向量与各向异性多元正态分布
9、各向异性高斯模型、最大似然估计、QDA和LDA
10、回归,包括最小二乘线性回归和Logistic回归
11、其他回归:牛顿法和ROC曲线等
12、统计的理由:偏方差分解
13、收缩:脊线回归、子集选择,套索
14、决策树
15、集成学习和随机森林
16、内核原理
17、神经网络
18、神经元、神经网络的变化
19、更高级的神经网络训练,卷积神经网络
20、无监督学习与主成成分分析
21、奇异值分解,聚类
现在这本书已经帮你们下载好了,你点击下方公众号名片回复数字 009 来领取这本 PDF。