大家好,今天乐乐子来为大家解答以下的问题，关于berkeley入门，berkeley是什么意思这个很多人还不知道，现在让我们一起来看看吧！
栗子 发自 凹非寺
量子位 报道 | 公众号 qbitai
有一份机器学习ppt，在reddit论坛获得了墙裂欢迎，一日之间揽下400分。
这份ppt来自伯克利cs 189/289课程，从线性代数复习，到线性回归、随机森林、boosting……各种方法与其中的知识要点全面覆盖，简洁明晰。
在这些词条里，任选一个往下划，都会发现许多宝藏。
比如，下面就是高斯判别分析 (gda) 。里面讲到了生成模型，模型里的假设，以及不同方法之间的对比。
前往课程pg电子平台网站主页，就可以把课件与各种配套资料搭配食用；伯克利还把课件的源码放上了github。
那么，一起来观赏一下这份入门佳品。
作为一门友好的基础课，当然要从零开始。
introduction章节，先介绍了各式各样的机器学习任务：回归、分类、密度估计、降维......
又介绍了监督、半监督、无监督、强化学习，这些不同的学习方式。
然后，一张美好的地图在眼前展开，这是用scikit-learn玩转各种任务的路线图。
△ 回归、分类、聚类、降维
从原点出发，按图索骥，就能到达希望的终点。
比如分类任务上，可能用到支持向量机 (svm) 。
这时候，翻一下支持向量机的词条：
它会告诉你，逻辑回归解决不了问题，支持向量机或许可以。
原理，用法，以及通常拿来做怎样的任务，都在这里了。
再比如，决策树/随机森林，也是分类方法。
方法背后的理论，用到的split函数，贪心算法等等，这里都会娓娓道来。
如果感觉ppt的介绍太简约，还可以搭配168页课程笔记食用。
笔记一共有23章，课件上的每个词条，几乎都能找到相应的章节。比如，最后一个词条boosting，就对应笔记里的第24章。
打开这个章节，任意翻到一页：
文字详尽，人类易懂，插图优雅。
从权重初始化开始，adaboost的每一步都有介绍。
另外，为什么要用boosted tree，也是条分缕析：一是快，二是不用搜索超参数，三是偏差方差权衡容易做……
这样一来，刚入坑的你，也可以愉快地学习了。
除了ppt和笔记之外，课程pg电子平台网站主页上还有作业和考卷，可以用来检测你的学习成果。
那么，现在就开始学习吧。
ppt传送门：
https://csinva.github.io/pres/189/#/
cs 189/289课程笔记：
https://people.eecs.berkeley.edu/~jrs/papers/machlearn.pdf
cs 189/289课程pg电子平台网站主页：
https://people.eecs.berkeley.edu/~jrs/189/
github传送门：
https://github.com/csinva/csinva.github.io/blob/master/_notes/ref/ml_slides/slides.md
— 完 —
诚挚招聘
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入pg电子平台网站！相关细节，请在量子位公众号(qbitai)对话界面，回复“招聘”两个字。
量子位 qbitai · 头条号签约作者
վ'ᴗ' ի 追踪ai技术和产品新动态
本文到此结束，希望对大家有所帮助。