大家好，这里是好评笔记，公主 号：Goodnote。本笔记的任务是解读机器学习实践/面试过程中可能会用到的知识点，内容通俗易懂，入门、实习和校招轻松搞定。
笔记介绍
本笔记的任务是解读机器学习实践/面试过程中可能会用到的知识点，内容通俗易懂，入门、实习和校招轻松搞定。涵盖机器学习八股文和常用算法，包括机器学习基础知识、感知机（Perceptron）、多层感知机（MLP, Multi-Layer Perceptron）、支持向量机（SVM, Support Vector Machine）、K 最近邻（KNN, K-Nearest Neighbors）、朴素贝叶斯（Naive Bayes）、决策树（Decision Tree）、随机森林（Random Forest）、Bagging、Boosting、GBDT、XGBoost、LightGBM、K 均值聚类（K-means Clustering）、高斯混合模型（GMM）、降维算法等。
其他
本笔记基本更新完毕，会不定期更新一些补充内容。欢迎大家订阅，公 主 号回复“专栏试读”或点击菜单栏的“专栏试读”私信我，任选2篇免费试读。
合集目录
本系列其他相关笔记参考如下：
- 🔥免费试读🔥机器学习笔记——损失函数、代价函数和KL散度
- 🔥免费试读🔥机器学习笔记——特征工程、正则化、强化学习
- 机器学习笔记——30种常见机器学习算法简要汇总
- 机器学习笔记——感知机、多层感知机(MLP)、支持向量机(SVM)
- 机器学习笔记——KNN（K-Nearest Neighbors，K 近邻算法）
- 机器学习笔记——朴素贝叶斯算法
- 机器学习笔记——决策树
- 机器学习笔记——集成学习、Bagging（随机森林）、Boosting（AdaBoost、GBDT、XGBoost、LightGBM）、Stacking
- 机器学习笔记——Boosting中常用算法（GBDT、XGBoost、LightGBM）迭代路径
- 机器学习笔记——聚类算法（Kmeans、GMM-使用EM优化）
- 机器学习笔记——降维
公主号合集地址
机器学习笔记合集
