关于机器学习范畴的初学者来说，这会是很好的入门课程。现在，课程的笔记、PPT 和视频正在连续发布中。

  2020 年就这么悄然无声地走完了，想必大多数人，尤其是在校学生仅有的感觉便是：「又是毫无学术发展的一年。」

  近来，威斯康辛大学麦迪逊分校助理教授 Sebastian Raschka 在推特上宣告了威斯康辛大学《机器学习导论》2020 秋季课程的结束：「教授两个班级和 230 个学生是十分好的体会，对那些感兴趣的人，我整理了一页记载以供参阅。」

  Sebastian Raschka 是威斯康星大学麦迪逊分校的统计学助理教授，致力于机器学习和深度学习研讨。他最近的一些研讨办法已应用于生物辨认范畴，处理面部图画隐私问题，其他的研讨要点包含开发与机器学习中的模型评价、对立进犯和 AutoML 有关办法和应用程序。他也是《Python 机器学习》一书的作者，曾被科技博客 Analytics Vidhya 评为 GitHub 上具影响力的数据科学家之一。

  对想要学习这门课程的学生，Sebastian Raschka 教授的主张是：你至少要了解根本编程常识并完成了编程入门课程。

  1.3 机器学习的类别：评论了机器学习的三大类，监督学习、无监督学习和强化学习

  2.2 最近邻决议计划鸿沟：包含 1 - 最近邻决议计划鸿沟背面的概念，此外还列出了一些常见的间隔衡量

  2.3 K - 最近邻算法：将 1 - 最近邻概念扩展到 k - 最近邻算法，进行分类和回归

  2.5 K - 最近邻的提高：总结一些提高 K - 最近邻核算功能和猜测功率的常见技巧

  3.1 Python 概述：这节课将评论 Python 的用法，进行 C 和 Python 的快速演示（或许并不是很有吸引力）

  6.5 基尼系数 & 熵与误分类差错：阐释在 CART 决议计划树的信息增益方程式中，为何需求运用熵（或基尼）替代误分类差错作为杂质衡量

  6.6 改善和处理过拟合：将决议计划树的一些问题（例如过拟合）交融在一起并评论改善办法，例如增益比、预剪枝和后剪枝

  6.7 代码示例：怎么样去运用 scikit-learn 练习和可视化决议计划树的快速演示

  7.2 绝对多数投票法：评论最根本的模型集成之一「绝对多数投票」，经过示例解说为什么它比运用单个分类器更好

  7.5 梯度提高：在 AdaBoost 运用权重作为练习示例来提高下一轮树的情况下，梯度提高运用丢失的梯度来核算残差以习惯序列中的下一棵树，视频中说到的论文地址：

  7.6 随机森林：解说随机森林及其与套袋法之间的联系，以及为什么随机森林在实践中的作用优于套袋法

  在后续行将更新的课程中，Sebastian Raschka 将对「降维和无监督学习」、「贝叶斯学习」内容进一步介绍，课程材料也会更新，包含讲座视频、PPT 链接等。

  全球顶尖AI专家齐聚主论坛，解读智能化转型的技能之道。4场技能工作坊共享才智城市、智能出行、华为开源生态与边际智能引擎等线场黑客松等你来战。

  原标题：《威斯康辛大学《机器学习导论》2020秋季课程结束，课件、视频资源已敞开》