OReilly.Hands-On.Machine.Learning.with.Scikit-Learn.and.TensorFlow学习笔记汇总

其中用到的知识点我都记录在博客中了:https://blog.csdn.net/dss_dssssd

第一章知识点总结:

  • supervised learning

    • k-Nearest Neighbors
    • Linear Regression
    • Logistic Regression
    • Support Vector Machines (SVMs)
    • Decision Trees and Random Forests
    • Neural networks

    Note: 有些神经网络结构是非监督性的,比如自动编码机(autoencoders)和限制玻尔兹曼机(restricted Boltzmann machines);还有些神经网络结构是半监督(semisupervised)的,比如深度信念网络(deep belief network)和非监督预训练(unsupervised pretraining)

  • unsupervised leanrning

    • Clustering

      • k-Means
      • Hierarchical Cluster Analysis (HCA)
      • Expectation Maximization
    • Visualization and dimensionality reduction

      • Principal Component Analysis (PCA)
      • Kernel PCA
      • Locally-Linear Embedding (LLE)
      • t-distributed Stochastic Neighbor Embedding (t-SNE)
    • Association rule learning

      • Apriori
      • Eclat

    非监督学习算法用途:

    1. 数据可视化 t-SNE in cirfa-10

    2. 数据降维处理 ,也称为 特征提取 在喂给机器学习算法之前,最好利用降维算法对训练数据进行维度缩减,将会大大加快运行速度

    3. 异常检测(anomaly detection),比如检测信用卡异常交易记录来预防欺骗行为;或者在喂给机器学习算法时,从训练数据集中抛离异常值

    4. 关联规则学习(association rule learning): 在大型数据库中发现变量之间的有趣的连系。目的是利用一些有趣性的量度来识别数据库中发现的强规则。比如从销售数据中发现的规则 {洋葱, 土豆}→{汉堡} 会表明如果顾客一起买洋葱和土豆,他们也有可能买汉堡的肉。

  • semisupervised learning (半监督学习)
    是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据,以及同时使用少量的标记数据,来进行模式识别工作。
    深度信念网络(deep belief learning):堆叠限制玻尔兹曼机(restricted Boltzmann machines (RBMs))。

  • 强化学习 (Reinforcement Learning)

    不需要准确的数据/标签对,有点类似于pid闭环控制算法,但复杂度更高

    强化学习介绍

第二章的学习ipynb文件:

https://github.com/MengRe/deep-learning-notes/blob/master/chap2.ipynb

第三章学习文件

  • csdn文档

    https://blog.csdn.net/dss_dssssd/article/details/82958085
  • ipynb文件

    https://github.com/MengRe/deep-learning-notes

你可能感兴趣的:(Python数据处理及可视化)