机器学习（2024Fall）课程笔记

本笔记为北京大学 2024 年秋季学期《机器学习》（04632036）的课程笔记。该课程由张牧涵老师开设。张老师的课程讲述非常精彩且有特点，全程板书且穿插了不少 insights。

本来头两讲是在 iPad 上进行笔记记录的，第三节课发现直接用 Markdown 可以跟得上，遂将笔记整理于此。

笔记按知识模块形式呈现如下。

目录：

• 01-线性回归
• 02-逻辑回归
• 03-偏差方差分解
• 04-支持向量机
• 05-表示定理
• 06-学习理论 极其不完善，待修复。
• 07-高斯过程
• 08-树模型与集成学习 已更新完树模型。

课程大纲：

1	线性回归（Linear Regression）	3	经验风险最小化, 矩阵求导，线性回归闭式解，岭回归和Lasso，最小二乘几何解释	ERM, Matrix Derivatives, Closed-form solution to Linear Regression, Ridge Regression and Lasso, Geometric view of Least Squares
2	逻辑回归（Logistic Regression）	6	最大似然原则，交叉熵损失，线性可分，逻辑回归凸函数的证明，平方损失函数分类的缺点，Softmax Regression，线性回归的最大似然解释，岭回归的最大后验解释	MLE, Cross Entropy, Linear Separable, Proof of the convexity of Logistic Regression, Drawbacks of squared loss for classification, Softmax Regression, MLE of Linear Regression, MAP of Linear Regression
3	偏差-方差分解（Bias-Variance Decomposition）	3	偏差方差分解，模型选择，奥卡姆剃刀原理	Bias-Variance Decomposition, Model Selection, Occam’s Razer
4	支持向量机与对偶理论（Support Vector Machine and Dual Theory）	9	约束优化问题，拉格朗日乘子法，KKT条件，支持向量机主形式，对偶形式，对偶问题的SMO算法，核方法，松弛变量	Constrained optimization, Lagrange Method, KKT conditions, Primal and Dual forms of SVM, SMO, Kernel methods, Slack variables
5	表示定理（Representer’s Theorem）	3	再生核希尔伯特空间，表示定理及证明，利用表示定理解释岭回归	RKHS, Representer’s Theorem, Revisiting Ridge Regression
6	学习理论（Learning Theory）	3	PAC理论，成长函数，VC维，VC泛化界	PAC Learning Theory, Growth function, VC-dimension, VC Generalization Bound
7	树模型和集成学习（Tree Models and Ensemble Learning）	6	信息熵，信息增益，增益率，基尼系数，决策树，回归树，连续特征，Bagging, 随机森林，Boosting, AdaBoost, GBDT	Entropy, Information gain, Information gain ratio, Gini-index, Decision Tree, Bagging, Random Forest, Boosting, AdaBoost, GBDT
8	高斯过程（Gaussian Process）	3	多元高斯分布，随机过程，高斯过程回归，贝叶斯优化	Multivariate Gaussian Distribution, Random Process, Gaussian Process Regression, Bayesian Optimization
9	图模型基础（Graphical Models Basics）	3	贝叶斯网络，条件独立性，D-separation，无向图模型	Bayesian networks, Conditional independence, D-separation, Unconditional graphical models
10	无监督学习（Unsupervised Learning）	9	主成分分析，混合高斯模型，EM算法，变分自编码器，扩散模型	PCA, Mixture of Gaussians, Expectation-Maximization, VAE, Diffusion Models