今天介紹一份機器學習的筆記，由哥倫比亞大學研究生張威整理。張威同學本科畢業(yè)于加拿大滑鐵盧大學電子工程系，曾經(jīng)聯(lián)合帶隊參加 2016 年 IEEE 數(shù)字信號處理大賽獲得前 10 的名次，也曾在微軟亞洲研究院副院長郭百寧老師研究組和首席研究員曾文軍老師研究組實習。在哥倫比亞大學，張威同學也擔任過《Bayesian Model Machine Learning》這門機器學習進階課程的助教。

筆記地址：https://wei2624.github.io/machine%20learning/Machine-Learning-Notes/

張威同學主要根據(jù)吳恩達在斯坦福教授的《機器學習》(CS 229)的最新課程筆記進行梳理，這門課要比 Coursera 上的更全面和進階。他同時結合了在哥大所選的機器學習相關課程，比如 David Blei 老師的《Foundations of Graphical Models》。

David Blei 是哥倫比大學計算機系和統(tǒng)計系的教授，曾在 UC Berkeley 獲得博士學位，導師是邁克爾喬丹，和吳恩達算是同門師兄。每年秋季 Blei 教授都會教授《Foundations of Graphical Models》這門研究生課程。這門課程主要涉及到利用最新的機器模型建模，并解決現(xiàn)實問題。課程大綱如下：

 

 

課程地址：http://www.cs.columbia.edu/~blei/fogm/2018F/index.html

關于這份筆記，作者主要目的是：(1)多角度切入，能夠讓有一些基礎的同學從不同的角度理解相同的定理。(2)解釋數(shù)學，復現(xiàn)證明步驟，對于原筆記里面較復雜的推導步驟給出詳細的步驟分解。(3)內(nèi)容整合，整合多個高質量課程的筆記內(nèi)容，加入自己的理解，從學生的角度出發(fā)讓內(nèi)容更好理解。

盡管作者并沒有覆蓋課程的所有內(nèi)容，但根據(jù)自己的思考對課程內(nèi)容提取精華，并將在之后繼續(xù)補充。作者的關注點還在于用大白話解釋理論概念，并給出定理的證明。

對于想通過自學機器學習的讀者或者計算機專業(yè)的同學在復習的時候，都還是很不錯的參考資料。后續(xù)也會有會中文版推出。

在閱讀筆記之前，建議讀者先掌握一些關于概率、線性代數(shù)和向量微積分的基本知識。閱讀可以從頭開始一直到結束順序完成，也可以根據(jù)需要跳讀。有什么意見或建議，可以直接在筆記頁面上留言或和作者互動。

筆記目錄如下：

 

每個主題下還有更詳細的子目錄，如下圖所示，判別式算法的子目錄。

 

 

標簽：

版權申明：本站文章部分自網(wǎng)絡，如有侵權，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權歸原作者所有，如需使用，請與原作者聯(lián)系。