概论
梳理机器学习的核心概念、学习范式、建模流程、常见任务与易错点。
阅读笔记武汉大学计算机学院课程笔记
机器学习
机器学习期末复习共 12 讲，以 LaTeX 源码为正文依据，按概念、模型、算法与常见问法组织，并以网页文本和可缩放公式呈现。
模型选择与评估
覆盖 VC 维、偏差与方差、交叉验证，以及分类、回归和不平衡数据的评价指标。
阅读笔记线性模型
整理线性回归、岭回归、对数几率回归、LDA 与 Softmax 多分类。
阅读笔记贝叶斯分类器
从贝叶斯决策与极大似然出发，介绍朴素贝叶斯、贝叶斯网和 EM 算法。
阅读笔记支持向量机
围绕间隔、对偶问题、KKT 条件、软间隔和核方法整理 SVM 的完整推导链。
阅读笔记决策树
比较信息增益、增益率与基尼指数，并整理连续属性、缺失值、剪枝和回归树。
阅读笔记集成学习
介绍 AdaBoost、梯度提升树、Bagging、随机森林与学习器多样性。
阅读笔记降维与度量学习
整理 k 近邻、维数灾难、MDS、PCA、核化降维、流形学习和度量学习。
阅读笔记聚类
覆盖聚类度量、距离计算、k-means、LVQ、GMM、DBSCAN 与层次聚类。
阅读笔记特征选择与稀疏学习
整理过滤式、包裹式和嵌入式选择，以及稀疏表示、压缩感知和矩阵补全。
阅读笔记半监督学习
介绍半监督假设、生成式方法、半监督 SVM、图方法、协同训练与半监督聚类。
阅读笔记强化学习
从 MDP 与价值函数出发，梳理策略迭代、价值迭代、Sarsa、Q-learning 与 RLHF。
阅读笔记