原文：
www.kdnuggets.com/2017/08/machine-learning-algorithms-concise-technical-overview-part-1.html
无论你是机器学习的新手、对特定算法或概念的初学者，还是寻求对久未使用的算法进行快速回顾的经验丰富的机器学习专家，这些简短而直截了当的教程可能会提供你所需要的帮助。每篇文章简洁地覆盖一个特定的机器学习概念。
支持向量机：简明技术概述
支持向量机（SVMs）是一种特定的分类策略。SVM 通过将训练数据集转换为更高维度，然后在这些维度中寻找最优的类别分隔边界来工作。在 SVM 中，这些边界被称为超平面，通过定位支持向量（即最能定义类别的实例）及其边距（即与支持向量之间的最短距离所定义的超平面平行的线）来确定。因此，SVM 能够对线性和非线性数据进行分类。
比较聚类技术：简明技术概述
聚类用于分析不包含预标记类别的数据。数据实例通过最大化类内相似度和最小化不同类别之间的相似度来进行分组。这意味着聚类算法识别和分组非常相似的实例，而不是那些彼此相似度较低的未分组实例。由于聚类不需要预先标记类别，它是一种无监督学习方法。
频繁模式挖掘与 Apriori 算法：简明技术概述
频繁模式挖掘最容易通过引入市场篮分析（或亲和分析）来解释，这是其广为人知的典型用途。市场篮分析试图识别由特定购物者选择并放入市场篮中的各种商品之间的关联或模式，并为比较分配支持度和置信度度量。其价值在于交叉营销和客户行为分析。
决策树分类器：简明技术概述
我相信你一定已经知道，决策树是一种辅助决策过程的流程图。内部节点代表对特定属性的测试，而离开节点的分支代表单个测试结果，叶节点代表类别标签。
在机器学习中，决策树已被使用了几十年，作为有效且易于理解的数据分类器（与许多黑箱分类器相比）。
线性回归、最小二乘法与矩阵乘法：简明技术概述
线性回归是一个简单的代数工具，试图找到最“优”（通常是直线）地拟合两个或更多属性的线，其中一个属性（简单线性回归），或几个属性的组合（多重线性回归），用于预测另一个属性，即类别属性。训练实例用于计算线性模型，其中一个属性或一组属性被绘制与另一个属性对比。然后，模型尝试识别给定特定类别属性的新实例将位于回归线上的位置。
相关：
-
机器学习关键术语解析
-
极简且干净的机器学习算法实现集合
-
机器学习摘要：分类
1. 谷歌网络安全证书 - 快速进入网络安全职业的快车道。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织的 IT