伯克利Jonathan教授最新《简明机器学习》讲义教程，172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