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)。