Machine Learning
以紧凑的复习结构梳理机器学习的核心模型、目标与推导。
关于这组笔记
个人自学讲义，以压缩复习结构整理核心内容，覆盖范围不等同于完整课程。
查看原课程资料适合的起点
建议熟悉线性代数、微积分、概率与 Python。
本系列为个人学习整理，非学校官方发布，不代表学校或授课教师的认可或背书。
沿着目录阅读
当前 6 篇课程讲义
- Lecture 01Lecture 1 · 监督学习与线性模型家族 · Supervised Learning & the Linear Model Family
- Lecture 02Lecture 2 · 生成式学习、核方法与 SVM · Generative Learning, Kernels & SVMs
- Lecture 03Lecture 3 · 泛化、正则化与模型选择 · Generalization, Regularization & Model Selection
- Lecture 04Lecture 4 · 非线性模型：决策树、集成与神经网络 · Trees, Ensembles & Neural Networks
- Lecture 05Lecture 5 · 无监督学习 · Unsupervised Learning: k-means, EM, PCA & ICA
- Lecture 06Lecture 6 · 强化学习与控制 · Reinforcement Learning & Control
从讲义到代码
按课程目录整理的配套示例，保留各单元的文件结构。阅读讲义时，可以下载整套代码，在本地逐步探索。
下载 CS229 代码请在独立虚拟环境中查看依赖后运行；未附模型权重和运行产物；示例未逐一验证。