机器学习常用方法汇总

0 基本知识

生成模型：朴素贝叶斯、混合高斯模型、隐马尔可夫模型

判别模型：感知机、k近邻法、决策树、逻辑斯蒂回归模型、最大熵模型、支持向量机 (SVM)、boosting方法 (AdaBoost等)、条件随机场 (conditional random field, CRF)、CNN

一、感知机

感知机原理小结

深度学习概述：从感知机到深度网络

二、KNN

K-近邻算法（KNN）概述

三、朴素贝叶斯

深入理解朴素贝叶斯（Naive Bayes）

https://www.cnblogs.com/marc01in/p/4775440.html

四、logistic regression和最大熵模型
彻底搞懂逻辑斯蒂回归

 

五、决策树、决策数和随机森林

算法模型---决策树

 

六、SVM

支持向量机通俗导论（理解SVM的三层境界）

七、boosting（提升方法AdaBoost）和bagging

集成学习算法总结----Boosting和Bagging

八、EM算法

EM算法（Expectation Maximization Algorithm）详解

九、HMM

https://blog.csdn.net/continueoo/article/details/7789358

http://www.cnblogs.com/pinard/p/6955871.html

十、CRF

入门：https://www.cnblogs.com/skyme/p/4651331.html

详解：https://blog.csdn.net/a819825294/article/details/53893231

十一、聚类

常见的六大聚类算法

k-Means: 聚类、K-Means、例子、细节

层次聚类

 

十二、常用的几种距离

https://blog.csdn.net/g1036583997/article/details/80606789

十三、DTW

https://www.cnblogs.com/Daringoo/p/4095508.html

十四、用二分类问题解决多分类问题

从二分类到多分类的迁移策略