最新《机器学习导论》干货笔记，65页pdf公式推导教程

这门课程是Pr Biau关于统计学习课程的补充，这在两个方面:

1. 它处理了监督学习和非监督学习;

2. 提出了一种算法的观点。

这解释了为什么一些主要的方法，如k近邻，决策树和随机森林

这些课堂讲稿由三章组成:

第一章:详细介绍了几种分类方法，快速填补了两者之间的差距

• 分类回归:

• 线性和二次判别分析(LDA, QDA);

• Fisher判别分析(FDA);

• 核Fisher判别分析(KFDA);

• 多类线性判别分析;

• 逻辑回归;

• Adaboost和梯度推进;

• 分类(SVC)和回归(SVR)的支持向量机(SVM)。

第2章:我们考虑了未观察到的标签问题，并给出了一些生成的划分方法

输入空间:

• 高斯混合的期望-最大化(软k均值);

• k - means算法;

• 谱聚类;

• 层次聚类

• 基于密度的噪声应用的空间聚类(DBSCAN)。

  
  

第三章:维数灾难

• 降维技术

• (线性或非线性)给出:

• 主成分分析(PCA);

• 随机预测;

• 核主成分分析(KPCA);

• 多维标度(MDS)。

http://www.lpsm.paris/pageperso/sangnier/index.html

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“ML65” 可以获取《最新《机器学习导论》干货笔记，65页pdf公式推导教程》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源