伯克利Jonathan教授最新《简明机器学习》讲义教程，171页pdf

【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

点击“阅读原文”，了解使用专知，查看获取5000+AI主题知识资源