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。

教程下载：https://people.eecs.berkeley.edu/~jrs/papers/machlearn.pdf

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

内容中包含的图片若涉及版权问题，请及时与我们联系删除