西瓜书《机器学习》无疑是机器学习的必读书籍。本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面。 为了使尽可能多的读者通过本书对机器学习有所了解, 作者试图尽可能少地使用数学知识. 然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免。

对于这本书，我是非常推荐的。但是对于很多初学者或者数学基础不是特别扎实的同学们来说，想要完整、清晰地弄懂这本书其实并不容易。因此，一份优秀的笔记对于我们学习本书来说，帮助很大。

今天就给大家推荐一个西瓜书《机器学习》的精炼版笔记。作者 Vay-keen 来自深圳大学，将自己整理的完整版笔记发布在了 GitHub 上。直接放出笔记地址：

https://github.com/Vay-keen/Machine-learning-learning-notes

对于这份笔记，作者这样说：

周志华《机器学习》又称西瓜书是一本较为全面的书籍，书中详细介绍了机器学习领域不同类型的算法(例如：监督学习、无监督学习、半监督学习、强化学习、集成降维、特征选择等)，记录了本人在学习过程中的理解思路与扩展知识点，希望对新人阅读西瓜书有所帮助！

笔记目录

这份笔记总共包含 17 份 .md 文档，优势在于美分文档集合了图片和公式，清晰明了。这 17 份文档涵盖了西瓜书 16 章的完整内容。具体笔记目录如下：

• 绪论

• 性能度量

• 假设检验&方差&偏差

• 线性模型

• 决策树

• 神经网络

• 支持向量机

• 贝叶斯分类器

• EM 算法

• 集成学习

• 聚类

• 降维与度量学习

• 特征选择与稀疏学习

• 计算学习理论

• 半监督学习

• 概率图模型

• 强化学习

笔记内容

下面，我们将摘录一些笔记的内容，供大家参考。

1. 线性回归

回归就是通过输入的属性值得到一个预测值，利用上述广义线性模型的特征，是否可以通过一个联系函数，将预测值转化为离散值从而进行分类呢？线性几率回归正是研究这样的问题。对数几率引入了一个对数几率函数（logistic function）,将预测值投影到0-1之间，从而将线性回归问题转化为二分类问题。

2. 神经网络

在机器学习中，神经网络一般指的是“神经网络学习”，是机器学习与神经网络两个学科的交叉部分。所谓神经网络，目前用得最广泛的一个定义是“神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应”。

一直沿用至今的“M-P神经元模型”正是对这一结构进行了抽象，也称“阈值逻辑单元“，其中树突对应于输入部分，每个神经元收到n个其他神经元传递过来的输入信号，这些信号通过带权重的连接传递给细胞体，这些权重又称为连接权（connection weight）。细胞体分为两部分，前一部分计算总输入值（即输入信号的加权和，或者说累积电平），后一部分先计算总输入值与该神经元阈值的差值，然后通过激活函数（activation function）的处理，产生输出从轴突传送给其它神经元。M-P神经元模型如下图所示：

作者还给出了 BP 神经网络算法调整隐含层到输出层的权重调整规则的推导过程：

3. 支持向量机

支持向量机是一种经典的二分类模型，基本模型定义为特征空间中最大间隔的线性分类器，其学习的优化目标便是间隔最大化，因此支持向量机本身可以转化为一个凸二次规划求解的问题。

4. 集成学习

顾名思义，集成学习（ensemble learning）指的是将多个学习器进行有效地结合，组建一个“学习器委员会”，其中每个学习器担任委员会成员并行使投票表决权，使得委员会最后的决定更能够四方造福普度众生~...~，即其泛化性能要能优于其中任何一个学习器。

Boosting族算法最著名、使用最为广泛的就是AdaBoost，AdaBoost使用的是指数损失函数，因此AdaBoost的权值与样本分布的更新都是围绕着最小化指数损失函数进行的。

整个AdaBoost的算法流程如下所示：

以上只摘录了一小段笔记内容，完整的笔记请大家自行查阅，希望对你有所帮助。

最后，再次放上西瓜书开源笔记链接地址：

https://github.com/Vay-keen/Machine-learning-learning-notes

备注：西瓜书请买正版，支持下周志华老师

作者的公众号：

本站简介↓↓↓ 

“机器学习初学者”是帮助人工智能爱好者入门的个人公众号（创始人：黄海广）

初学者入门的道路上，最需要的是“雪中送炭”，而不是“锦上添花”。

本站的知识星球（黄博的机器学习圈子）ID：92416895

目前在机器学习方向的知识星球排名第一（上图二维码）

往期精彩回顾

• 良心推荐：机器学习入门资料汇总及学习建议

• 黄海广博士的github镜像下载（机器学习及深度学习笔记及资源）

• 机器学习小抄-（像背托福单词一样理解机器学习）

• 首发：深度学习入门宝典-《python深度学习》原文代码中文注释版及电子书

• 机器学习的数学基础

• 机器学习必备宝典-《统计学习方法》的python代码实现、电子书及课件

• Python代码写得丑怎么办？推荐几个神器拯救你

• 重磅 | 完备的 AI 学习路线，最详细的资源整理！

• 图解word2vec(原文翻译)

• CS229线性代数翻译

备注：本站qq群：865189078（共8个群，不用重复加）。

加入本站微信群，请加黄博的助理微信，说明：公众号用户加群。