Reddit大熱，伯克利PPT帶你入門機器學習：方法、知識點全面覆蓋
有一份機器學習PPT，在Reddit論壇獲得了墻裂歡迎，一日之間攬下400分。
這份PPT來自伯克利CS 189/289課程，從線性代數(shù)復習，到線性回歸、隨機森林、Boosting……各種方法與其中的知識要點全面覆蓋，簡潔明晰。
在這些詞條里，任選一個往下劃，都會發(fā)現(xiàn)許多寶藏。
比如，下面就是高斯判別分析 (GDA) 。里面講到了生成模型，模型里的假設，以及不同方法之間的對比。
前往課程主頁，就可以把課件與各種配套資料搭配食用；伯克利還把課件的源碼放上了GitHub。
那么，一起來觀賞一下這份入門佳品。
“給你指了條明路”
作為一門友好的基礎課，當然要從零開始。
Introduction章節(jié)，先介紹了各式各樣的機器學習任務：回歸、分類、密度估計、降維……
又介紹了監(jiān)督、半監(jiān)督、無監(jiān)督、強化學習，這些不同的學習方式。
然后，一張美好的地圖在眼前展開，這是用scikit-learn玩轉各種任務的路線圖。
△ 回歸、分類、聚類、降維
從原點出發(fā)，按圖索驥，就能到達希望的終點。
比如分類任務上，可能用到支持向量機?(SVM) 。
這時候，翻一下支持向量機的詞條：
它會告訴你，邏輯回歸解決不了問題，支持向量機或許可以。
原理，用法，以及通常拿來做怎樣的任務，都在這里了。
再比如，決策樹/隨機森林，也是分類方法。
方法背后的理論，用到的split函數(shù)，貪心算法等等，這里都會娓娓道來。
如果感覺PPT的介紹太簡約，還可以搭配168頁課程筆記食用。
筆記一共有23章，課件上的每個詞條，幾乎都能找到相應的章節(jié)。比如，最后一個詞條Boosting，就對應筆記里的第24章。
打開這個章節(jié)，任意翻到一頁：
文字詳盡，人類易懂，插圖優(yōu)雅。
從權重初始化開始，Adaboost的每一步都有介紹。
另外，為什么要用Boosted Tree，也是條分縷析：一是快，二是不用搜索超參數(shù)，三是偏差方差權衡容易做……
這樣一來，剛入坑的你，也可以愉快地學習了。
去吧，皮卡丘
除了PPT和筆記之外，課程主頁上還有作業(yè)和考卷，可以用來檢測你的學習成果。
那么，現(xiàn)在就開始學習吧。
PPT傳送門：
https://csinva.github.io/pres/189/#/
CS 189/289課程筆記：
https://people.eecs.berkeley.edu/~jrs/papers/machlearn.pdf
CS 189/289課程主頁：
https://people.eecs.berkeley.edu/~jrs/189/
GitHub傳送門：
https://github.com/csinva/csinva.github.io/blob/master/_notes/ref/ml_slides/slides.md
— 完 —
- 馬云正式卸任后，阿里巴巴開盤跌0.87%2019-09-10
- AI獨角獸云知聲，已完成一期科創(chuàng)板IPO輔導2019-10-17
- 亞馬遜在華拓展云計算團隊，挑戰(zhàn)阿里巴巴和騰訊2019-10-16
- IDC：今年上半年中國公有云服務市場規(guī)模達54.2億美元2019-11-07
相關閱讀
快速學習正則表達式，不用死記硬背，這里有份中文資源和互動學習網站
現(xiàn)在GitHub上的有個2萬星的項目learn-regex解決了初學者的困難。
這個登上Nature封面的「群體學習」，無需中央?yún)f(xié)調員，比聯(lián)邦學習更優(yōu)秀
在不違反隱私法的情況下集合來自世界各地的任何醫(yī)療數(shù)據(jù)，讓AI診斷效果更好。
