刘建平Pinard
https://blog.csdn.net/qq_15262671/article/details/78481922
2017年11月08日 18:53:01 取次花丛懒回顾_12 阅读数 2952
版权声明：本文为博主原创文章，遵循 CC 4.0 by-sa 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_15262671/article/details/78481922
2019年3月4日强化学习(十八) 基于模拟的搜索与蒙特卡罗树搜索(MCTS)
2019年2月15日强化学习(十七) 基于模型的强化学习与Dyna算法框架
2019年2月1日强化学习(十六) 深度确定性策略梯度(DDPG)
2019年1月29日强化学习(十五) A3C
2019年1月15日强化学习(十四) Actor-Critic
2018年12月18日强化学习(十三) 策略梯度(Policy Gradient)
2018年11月8日强化学习(十二) Dueling DQN
2018年10月16日强化学习(十一) Prioritized Replay DQN
2018年10月12日强化学习（十）Double DQN (DDQN)
2018年10月8日强化学习（九）Deep Q-Learning进阶之Nature DQN
Page 1
2018年9月28日强化学习（八）价值函数的近似表示与Deep Q-Learning
2018年9月19日强化学习（七）时序差分离线控制算法Q-Learning
2018年9月9日强化学习（六）时序差分在线控制算法SARSA
2018年8月24日强化学习（五）用时序差分法（TD）求解
2018年8月17日强化学习（四）用蒙特卡罗法（MC）求解
2018年8月12日强化学习（三）用动态规划（DP）求解
2018年8月5日强化学习（二）马尔科夫决策过程(MDP)
2018年7月29日强化学习（一）模型基础
2018年7月15日异常点检测算法小结
2018年7月1日tensorflow机器学习模型的跨平台上线
Page 2
2018年6月24日用PMML实现机器学习模型的跨平台上线
2018年6月10日用tensorflow学习贝叶斯个性化排序(BPR)
2018年6月3日贝叶斯个性化排序(BPR)算法小结
2018年5月26日特征工程之特征预处理
2018年5月19日特征工程之特征表达
2018年5月13日特征工程之特征选择
2017年8月3日用gensim学习word2vec
2017年7月28日word2vec原理(三) 基于Negative Sampling的模型
2017年7月27日word2vec原理(二) 基于Hierarchical Softmax的模型
2017年7月13日word2vec原理(一) CBOW与Skip-Gram模型基础
Page 3
2017年6月23日条件随机场CRF(三) 模型学习与维特比算法解码
2017年6月22日条件随机场CRF(二) 前向后向算法评估标记序列概率
2017年6月19日条件随机场CRF(一)从随机场到线性链条件随机场
2017年6月13日用hmmlearn学习隐马尔科夫模型HMM
2017年6月12日隐马尔科夫模型HMM（四）维特比算法解码隐藏状态序列
2017年6月10日隐马尔科夫模型HMM（三）鲍姆-韦尔奇算法求解HMM参数
2017年6月8日隐马尔科夫模型HMM（二）前向后向算法评估观察序列概率
2017年6月6日隐马尔科夫模型HMM（一）HMM模型
2017年5月27日EM算法原理总结
2017年5月26日用scikit-learn学习LDA主题模型
Page 4
2017年5月22日文本主题模型之LDA(三) LDA求解之变分推断EM算法
2017年5月18日文本主题模型之LDA(二) LDA求解之Gibbs采样算法
2017年5月17日文本主题模型之LDA(一) LDA基础
2017年5月5日文本主题模型之非负矩阵分解(NMF)
2017年5月4日文本主题模型之潜在语义索引(LSI)
2017年4月24日英文文本挖掘预处理流程总结
2017年4月21日中文文本挖掘预处理流程总结
2017年4月11日文本挖掘预处理之TF-IDF
2017年4月10日文本挖掘预处理之向量化与Hash Trick
2017年4月7日文本挖掘的分词原理
Page 5
2017年3月30日MCMC(四)Gibbs采样
2017年3月29日MCMC(三)MCMC采样和M-H采样
2017年3月28日MCMC(二)马尔科夫链
2017年3月27日MCMC(一)蒙特卡罗方法
2017年3月11日受限玻尔兹曼机（RBM）原理总结
2017年3月8日LSTM模型与前向反向传播算法
2017年3月6日循环神经网络(RNN)模型与前向反向传播算法
2017年3月3日卷积神经网络(CNN)反向传播算法
2017年3月2日卷积神经网络(CNN)前向传播算法
2017年3月1日卷积神经网络(CNN)模型结构
Page 6
2017年2月27日深度神经网络（DNN）的正则化
2017年2月24日深度神经网络（DNN）损失函数和激活函数的选择
2017年2月21日深度神经网络（DNN）反向传播算法(BP)
2017年2月20日深度神经网络（DNN）模型与前向传播算法
2017年2月6日分解机(Factorization Machines)推荐算法原理
2017年2月4日用Spark学习矩阵分解推荐算法
2017年2月3日SimRank协同过滤推荐算法
2017年1月26日矩阵分解在协同过滤推荐算法中的应用
2017年1月25日协同过滤推荐算法总结
2017年1月22日用Spark学习FP Tree算法和PrefixSpan算法
Page 7
2017年1月20日PrefixSpan算法原理总结
2017年1月19日FP Tree算法原理总结
2017年1月17日Apriori算法原理总结
2017年1月16日典型关联分析(CCA)原理总结
2017年1月11日用scikit-learn研究局部线性嵌入(LLE)
2017年1月10日局部线性嵌入(LLE)原理总结
2017年1月5日奇异值分解(SVD)原理与在降维中的应用
2017年1月4日用scikit-learn进行LDA降维
2017年1月3日线性判别分析LDA原理总结
2017年1月2日用scikit-learn学习主成分分析(PCA)
Page 8
2016年12月31日主成分分析（PCA）原理总结
2016年12月30日用scikit-learn学习谱聚类
2016年12月29日谱聚类（spectral clustering）原理总结
2016年12月24日用scikit-learn学习DBSCAN聚类
2016年12月22日DBSCAN密度聚类算法
2016年12月19日用scikit-learn学习BIRCH聚类
2016年12月14日BIRCH聚类算法原理
2016年12月13日用scikit-learn学习K-Means聚类
2016年12月12日K-Means聚类算法原理
2016年12月11日scikit-learn随机森林调参小结
Page 9
2016年12月10日Bagging与随机森林算法原理小结
2016年12月9日scikit-learn 梯度提升树(GBDT)调参小结
2016年12月7日梯度提升树(GBDT)原理小结
2016年12月6日scikit-learn Adaboost类库使用小结
2016年12月5日集成学习之Adaboost算法原理小结
2016年12月4日集成学习原理小结
2016年12月2日支持向量机高斯核调参小结
2016年11月30日scikit-learn 支持向量机算法库使用小结
2016年11月29日支持向量机原理(五)线性支持回归
Page 10
2016年11月26日支持向量机原理(三)线性不可分支持向量机与核函数
2016年11月25日支持向量机原理(二) 线性支持向量机的软间隔最大化模型
2016年11月24日支持向量机原理(一) 线性支持向量机
2016年11月23日最大熵模型原理小结
2016年11月17日scikit-learn 朴素贝叶斯类库使用小结
2016年11月16日朴素贝叶斯算法原理小结
2016年11月15日scikit-learn K近邻法类库使用小结
2016年11月14日K近邻法(KNN)原理小结
2016年11月12日scikit-learn决策树算法类库使用小结
2016年11月11日决策树算法原理(下)
Page 11
2016年11月10日决策树算法原理(上)
2016年11月9日机器学习算法的随机数据生成
2016年11月8日感知机原理小结
2016年11月7日日志和告警数据挖掘经验谈
2016年11月6日scikit-learn 逻辑回归类库使用小结
2016年11月4日逻辑回归原理小结
2016年11月3日scikit-learn 线性回归算法库小结
2016年11月2日用scikit-learn和pandas学习Ridge回归
2016年11月1日Lasso回归算法： 坐标轴下降法与最小角回归法小结
2016年10月31日用scikit-learn和pandas学习线性回归
Page 12
2016年10月30日scikit-learn 和pandas 基于windows单机机器学习环境的搭建
2016年10月28日机器学习研究与开发平台的选择
2016年10月24日线性回归原理小结
2016年10月19日精确率与召回率，RoC曲线与PR曲线
2016年10月17日交叉验证(Cross Validation)原理小结