机器学习进阶之路

今天将历史技术博文重新整理了一下，分类更加清晰了，接下来尽量多写一些。

1. 关于如何入门机器学习/深度学习的方法

有很多朋友会问我要如何入门机器学习，第一篇文章中就给出了比较简单可行并且效果不错的学习路线。

2. 好玩儿的人工智能应用实战

兴趣是最好的老师，当你发现用机器学习技术可以做很多好玩的实用的东西时，你会深深地被吸引。

3. 解决机器学习问题的一般步骤

从整体的视角了解一般机器学习问题需要经过哪些步骤。

4. 通俗易懂详解机器学习各个算法

这部分会详细介绍一些常用算法的理论，也会包含一些面试常问知识点。

5. 机器学习实战技巧

这部分针对机器学习问题的每个环节解答一些实战中遇到的问题。

6. 详解深度学习主要神经网络模型

这部分按照时间轴，从神经网络的基础，到 RNN，LSTM，双向 LSTM，seq2seq，再到注意力机制，层层递进详解各个模型的理论基础和代码实例。

7. 深度学习实践技巧

这部分介绍深度学习的实战步骤中的一些关键问题。

8. 自然语言处理

关于自然语言处理的课程笔记或者实例。

9. 聊天机器人

包括聊天机器人的理论和实战。

10. TensorFlow

比较系统地学习 TensorFlow，之前都是 1.x 版本的。

11. Keras

后面会结合 TensorFlow 2 的内容一起写。

12. 强化学习

理论基础。

13. 数据科学

这里会包括数据科学家所需要的技术栈。

1. 关于如何入门机器学习/深度学习的方法：

有很多朋友会问我要如何入门机器学习，第一篇文章中就给出了比较简单可行并且效果不错的学习路线。

简单粗暴地入门机器学习
机器学习模型算法 List
九大常用机器学习分类算法
机器学习到底是什么?
如何自学数据科学？一份线上免费课程学习路线
机器学习的技术栈及应用实例脑洞
深度学习相关最新图书推荐
深度学习的主要应用举例
数据科学家养成路线
纯粹的数学之美
Python很强大
一张图带你看懂何为数据分析

2. 好玩儿的人工智能应用实战：

兴趣是最好的老师，当你发现用机器学习技术可以做很多好玩的实用的东西时，你会深深地被吸引。

5分钟构建一个自己的无人驾驶车
自己动手写个聊天机器人吧
自己写个 Prisma
用 TensorFlow 创建自己的 Speech Recognizer
用 TensorFlow 让你的机器人唱首原创给你听
如何自动生成文章摘要
一个 tflearn 情感分析小例子
AI 在 marketing 上的应用

3. 解决机器学习问题的一般步骤：

从整体的视角了解一般机器学习问题需要经过哪些步骤。

一个完整的端对端机器学习项目一共分几步？
一个框架解决几乎所有机器学习问题
通过一个kaggle实例学习解决机器学习问题
从 0 到 1 走进 Kaggle

4. 通俗易懂详解机器学习各个算法：

这部分会详细介绍一些常用算法的理论，也会包含一些面试常问知识点。

【0】数学基础：

简述极大似然估计
凸优化有什么用

【1】常用算法：

轻松看懂机器学习十大常用算法

【2】逻辑回归：

Logistic Regression 为什么用极大似然函数
Logistic regression 为什么用 sigmoid ？

【3】支持向量机：

SVM 的核函数选择和调参
如何通过对偶问题求解线性可分 SVM

【4】决策树：

决策树的python实现
CART 分类与回归树

【5】集成学习：

（1）Bagging：

Bagging 简述

（2）Boosting：

Adaboost 算法
浅谈 GBDT
Kaggle 神器 xgboost
LightGBM 如何调参

（3）Stacking：

详解 Stacking 的 python 实现

【6】降维：

What is PCA ?
PCA 的数学原理和可视化效果
用线性判别分析 LDA 降维

【7】时间序列：

用ARIMA模型做需求预测

【8】推荐系统：

推荐系统

【9】聚类：

白话什么是谱聚类算法
如何用高斯混合模型 GMM 做聚类
如何设置 k-means 中的 K?

什么是条件随机场 CRF: Conditional Random Fields

5. 机器学习实战技巧：

这部分针对机器学习问题的每个环节解答一些实战中遇到的问题。

机器学习中常用评估指标汇总
什么是 ROC AUC
机器学习面试题集 - 如何画 ROC 曲线
机器学习算法应用中常用技巧-1
机器学习算法应用中常用技巧-2
特征工程怎么做
机器学习面试题集 - 特征工程相关面试题
为什么要用交叉验证
机器学习面试题集 - 详解四种交叉验证方法
如何选择优化器 optimizer
用学习曲线 learning curve 来判别过拟合问题
用验证曲线 validation curve 选择超参数
用 Grid Search 对 SVM 进行调参
机器学习面试题集 - 超参数调优
用 Pipeline 将训练集参数重复应用到测试集
机器学习面试题集 - 如何进行 A/B 测试
Auto ML 一种自动完成机器学习任务的系统

Kaggle:

和Top Kagglers学习如何赢得一场数据科学竞赛：如何解码匿名数据
数据可视化之后要如何分析？三个步骤发现新见解
Kaggle 比赛中如何划分数据集？
数据科学竞赛中，高手是如何通过特征工程进入前三的
机器学习中回归模型的 5 种评估指标要如何选择？
Kaggle: Detect toxicity - Basic EDA -1

6. 详解深度学习主要模型：

这部分按照时间轴，从神经网络的基础，到 RNN，LSTM，双向 LSTM，seq2seq，再到注意力机制，层层递进详解各个模型的理论基础和代码实例。

【1】神经网络基础知识

神经网络的前世
神经网络之感知器的概念和实现
神经网络之线性单元
什么是神经网络
手写，纯享版反向传播算法公式推导

【2】CNN

图解何为CNN
用 Tensorflow 建立 CNN
按时间轴简述九大卷积神经网络

【3】RNN

详解循环神经网络(Recurrent Neural Network)
图解RNN
CS224d－Day 5: RNN快速入门
用深度神经网络处理NER命名实体识别问题
用 RNN 训练语言模型生成文本
RNN与机器翻译
用 Recursive Neural Networks 得到分析树
RNN的高级应用

【4】LSTM

详解 LSTM
用 LSTM 来做一个分类小问题
用 LSTM 做时间序列预测的一个小例子
用线性回归和LSTM做股价预测
6 种用 LSTM 做时间序列预测的模型结构 - Keras 实现

【5】双向 LSTM

双向 LSTM

【6】seq2seq

seq2seq 入门
seq2seq 的 keras 实现

【7】Doc2Vec

用 Doc2Vec 得到文档／段落／句子的向量表达

【8】Attention

attention 机制入门

【9】GAN

详解 GAN 生成对抗网络
GAN 的 keras 实现

【10】Transformer

图解什么是 Transformer

【11】BERT

5 分钟入门 Google 最强NLP模型：BERT
如何应用 BERT ：Bidirectional Encoder Representations from Transformers
github 项目介绍：海量中文语料上预训练ALBERT模型

7. 深度学习实践技巧：