栗子 發自 凹非寺

量子位 報道 | 公衆號 QbitAI

有一份機器學習PPT，在Reddit論壇獲得了牆裂歡迎，一日之間攬下400分。

這份PPT來自伯克利CS 189/289課程，從線性代數複習，到線性迴歸、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。

在這些詞條裏，任選一個往下劃，都會發現許多寶藏。

比如，下面就是高斯判別分析 (GDA) 。裏面講到了生成模型，模型裏的假設，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。

那麼，一起來觀賞一下這份入門佳品。

“給你指了條明路”

作爲一門友好的基礎課，當然要從零開始。

Introduction章節，先介紹了各式各樣的機器學習任務：迴歸、分類、密度估計、降維......

又介紹了監督、半監督、無監督、強化學習，這些不同的學習方式。

然後，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。

△ 迴歸、分類、聚類、降維

從原點出發，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，邏輯迴歸解決不了問題，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，都在這裏了。

再比如，決策樹/隨機森林，也是分類方法。

方法背後的理論，用到的split函數，貪心算法等等，這裏都會娓娓道來。

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。比如，最後一個詞條Boosting，就對應筆記裏的第24章。

打開這個章節，任意翻到一頁：

文字詳盡，人類易懂，插圖優雅。

從權重初始化開始，Adaboost的每一步都有介紹。

另外，爲什麼要用Boosted Tree，也是條分縷析：一是快，二是不用搜索超參數，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和考卷，可以用來檢測你的學習成果。

那麼，現在就開始學習吧。

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 —

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公衆號(QbitAI)對話界面，回覆“招聘”兩個字。

量子位 QbitAI · 頭條號簽約作者

վ'ᴗ' ի 追蹤AI技術和產品新動態