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