我最近撰写的机器学习研究课件和我的在线直播侧重于Learning Theory里面当然很多数学啦 。相信很多小伙伴们会觉得有点难度。所以我刚刚上传了几个机器学习数学基础讲义。虽然都是一些老掉牙的话题，但我还是喜欢以我自己的口味来撰写。希望会对你们有用 （用latex 画图确实很费时间) 课件在我的GitHub下载

Class 1: Model Evaluation 分类模型评估的常见概念和技术，包括自举抽样、混淆矩阵、接收器操作特征 (ROC) 曲线
Class 2: Decision Tree 除了决策树的所有基础知识之外，我还在此说明中添加了χ2 测试部分。
Class 3: Simple Bayes 本课件旨在对概率的基本概念、贝叶斯定理、概率的图形模型提供直观的解释
Class 4: Regression 这课件是为了解释最简单的回归模型：线性回归和多项式回归，以及一些评估回归性能的技术，尤其是确定系数 (CoD) 方法
Class 5: Neural Network 首先，我展示了三个不同的最后输出层模型：逻辑回归、多项式和线性回归。然后我展示了梯度下降的概念。主要部分是展示一个基本的全连接神经网络，最后是一个卷积神经网络。
Class 6: Unsupervised Learning 本课件描述了无监督学习中的一些常见主题。从最明显的方法（如聚类）到主题建模和传统的词嵌入（如 word2vec 算法）