台湾大学林轩田老师曾在coursera上开设了两门机器学习经典课程：《机器学习基石》和《机器学习技法》。《机器学习基石》课程由浅入深、内容全面，基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。《机器学习技法》课程主要介绍了机器学习领域经典的一些算法，包括支持向量机、决策树、随机森林、神经网络等等。林老师的教学风格也很幽默风趣，总让读者在轻松愉快的氛围中掌握知识。
本文列出了林轩田机器学习基石和机器学习技法课程的所有精炼笔记，均是红色石头精心制作的原创内容。
《机器学习基石》这门课主要涉及机器学习关键问题的四个方面：
- 机器什么时候可以学习？
- 机器为什么可以学习？
- 机器如何学习？
- 机器如何更好地学习？
下面是基石课程对应的精炼笔记！（点击标题进入链接！）
机器学习基石笔记列表
【1】学习问题
【2】学习回答Yes/No
【3】机器学习类型
【4】机器学习的可能性
【5】训练vs测试
【6】泛化理论
【7】VC纬度
【8】噪声和误差
【9】线性回归
【10】逻辑回归
【11】线性模型用于分类
【12】非线性转换
【13】过拟合的危险
【14】正则化
【15】验证
【16】三个学习原则
《机器学习技法》这门课主要涉及机器学习经典算法的三个方面：
- 嵌入大量特性：核模型
- 组合预测特征：集成模型
- 提取隐式特征：提取模型
下面是技法课程对应的精炼笔记！（点击标题进入链接！）
机器学习技法笔记列表
【1】线性支持向量机LSVM
【2】对偶支持向量机DSVM
【3】核支持向量机KSVM
【4】软间隔支持向量机SSVM
【5】核逻辑回归KLR
【6】支持向量回归SVR
【7】Blending 和 Bagging
【8】自适应提升AdaBoost
【9】决策树
【10】随机森林
【11】梯度提升决策树GBDT
【12】神经网络
【13】深度学习
【14】径向基函数网络
【15】矩阵分解
【16】总结
