机器学习算法与Python学习

机器学习算法与Python学习

机器学习系列阶段总结!

1. 机器学习(1)之入门概念
2. 机器学习(2)之过拟合与欠拟合
3. 机器学习(3)之最大似然估计
4. 机器学习(4)之线性判别式(附Python源码)
5. 机器学习(5)之决策树ID3及Python实现
6. 机器学习(6)之朴素贝叶斯NB及实例
7. 机器学习(7)之感知机python实现
8. 机器学习(8)之范数正则与Lasso详解
9. 机器学习(9)之ID3算法详解及python实现
10. 机器学习(10)之趣味案例理解朴素贝叶斯
11. 机器学习(11)之C4.5详解与Python实现(从解决ID3不足的视角)
12. 机器学习(12)之决策树总结与python实践(~附源码链接~)
13. 机器学习(13)之最大熵模型详解
14. 机器学习(14)之评价准则RoC与PR
15. 机器学习(15)之支持向量机原理(一)线性支持向量机
16. 机器学习(16)之支持向量机原理(二)软间隔最大化
17. 机器学习(17)之集成学习原理总结
18. 机器学习(18)之支持向量机原理(三)线性不可分支持向量机与核函数
19. 机器学习(19)之支持向量回归机
20. 机器学习(20)之Adaboost算法原理小结
21. 机器学习(21)之scikit-learn Adaboost类库的实战分析
22. 机器学习(22)之Apriori算法原理总结
23. 机器学习(23)之GBDT详解
24. 机器学习(24)之Bagging与随机森林
25. 机器学习(25)之K-Means聚类算法详解
26. 机器学习(26)之K-Means实战与调优详解
27. 机器学习(27)【降维】之主成分分析(PCA)详解
28. 机器学习(28)【降维】之sklearn中PCA库讲解与实战
29. 机器学习(29)之奇异值分解SVD原理与应用详解
30. 机器学习(30)之线性判别分析(LDA)原理详解
31. 机器学习(31)之频繁集挖掘FP Tree详解
32. 机器学习(32)之典型相关性分析(CCA)详解 【文末有福利……】
33. 机器学习(33)之局部线性嵌入(LLE)【降维】总结
34. 机器学习(34)之BIRCH层次聚类详解
35. 机器学习(35)之PrefixSpan算法原理详解
36. 机器学习(36)之协同过滤典型算法概述【精华】
37. 机器学习(37)之矩阵分解在协同过滤推荐中的应用

资源分享系列

  1. 干货分享 | 新一波机器学习资料汇总(已完结…)
  2. 干货分享 | 最近机器学习视频教程与数据集下载(持续更新……)
  3. Python数据分析相关资料整理(博客&视频链接)
  4. 机器学习资料整理(欢迎补充)
  5. 经典机器学习书籍推荐
  6. 资源下载 | 历史视频教程资源大汇总(内置百度云盘链接)
  7. 干货 | 从入门到放弃:21种机器学习算法详解,附多种下载方式
  8. 福利 | 最全面超大规模数据集下载链接汇总

深度学习连载系列

  1. 深度学习之DNN与前向传播算法
  2. 深度学习之DNN与反向传播算法
  3. 干货 | 深度学习之损失函数与激活函数的选择
  4. 干货 | 深度学习之DNN的多种正则化方式
  5. 干货 | 深度学习之卷积神经网络(CNN)的模型结构
  6. 干货 | 深度学习之卷积神经网络(CNN)的前向传播算法详解
  7. 干货 | 深度学习之CNN反向传播算法详解

干货系列

  1. AIOps核心任务:任务机器人在金融领域中的落地(附文件下载)
  2. 一篇文章讲清楚人工智能、机器学习和深度学习的区别与联系
  3. 推荐 | 值得加入的AI公司不只有BAT、FLAG与TMDJ,还有这些!!!
  4. 程序猿媳妇儿注意事项!(文末高能)
  5. 干货 | 台大“一天搞懂深度学习”课程PPT(下载方式见文末!!)
  6. 趣味机器学习入门小项目(附教程与数据)
  7. 推荐 | 一文读懂深度学习与机器学习的差异
  8. 值的收藏的干货 | 如何用Python实现常见机器学习算法
  9. 干货 | 高盛:2017人工智能报告中文版(附PDF版下载)
  10. 推荐 | Python-ML中最常用的5张速查表(高清)
  11. 【强烈推荐】:关于系统学习数据挖掘(Data Mining)的一些建议!!
  12. 关于处理样本不平衡问题的Trick整理
  13. 长文 | 一文读懂什么是机器学习
  14. 资料 | Python的14张思维导图(可后台下载)
  15. 值得收臧 | 从零开始搭建带GPU加速的深度学习环境(操作系统、驱动和各种机器学习库)
  16. 推荐 | CVPR2017关于如何解释深度学习模型的讲座(附视频与PPT)

PCA实现一个简单的酒店推荐系统(附Python源码)
基于机器学习的文本情感极性分析
Python做文本挖掘的情感极性分析(基于情感词典的方法)
GBDT入门教程之原理、所解决的问题、应用场景讲解
解决分类样本不平衡问题 ~ ML&DM面试高频问题
高斯混合聚类(GMM)及代码实现
Adaboost从原理到实现(Python)
Delicious和Hacker News–基于用户投票的排名算法
协同过滤原理及Python实现
RBF神经网络及Python实现(附源码)
支持向量机Python实现(附源码与数据)
SoftMax回归详解
线性分类(SoftMax) - 下篇
梯度检验与高级优化
线性分类器-中篇
线性分类器
反向传播算法
神经网络
CS231n课程笔记翻译:图像分类笔记(下)
CS231n课程笔记翻译:图像分类笔记(上)
kNN之改进约会网站配对效果(附源码)
KNN算法实战-改进约会网站配对效果
TF-IDF与余弦相似性的应用-自动提取关键词
蒙特卡洛方法入门
趣味理解朴素贝叶斯
机器学习资料整理(欢迎补充)
机器学习福利–Hinton大牛的Neural Network for Machine Learning
EM算法
集成学习(EL)综述
多层网络与反向传播算法详解
Neural Networks for Machine Learning-2
Neural Networks for Machine Learning-1
经典机器学习书籍推荐
解决决策树的过拟合
群体智能-果蝇算法
模糊最小二乘支持向量机
随机森林与GBDT
Machine Learning – 主动学习(AL)
Machine Learning – EM算法
Machine Learning – Bayesian network
Machine Learning – GBDT(RF)
Machine Learning – Boosting
Machine learning – CART
Machine learning – C4.5算法详解及Python实现
Machine Learning – ID3算法
Machine Learning – Naive Bayes(朴素贝叶斯)
Machine Learning – 11种相似性度量方法(总结版)
脉络清晰的BP神经网络讲解
机器学习(8) – 降维
机器学习(7) – k-means 聚类
机器学习(6) – SVM
机器学习(5) – 模型评估与选择
机器学习(4) –神经网络(part two)
机器学习(4) – 神经网络
机器学习(3) – 贝叶斯及正则化
机器学习(2) – logistic regression
0-1整数规划与隐枚举法-感受剪枝的魅力
基于稀疏化鲁棒LS-SVR与多目标优化的铁水硅含量软测量建模
最小二乘支持向量回归机(LS-SVR)
支持向量机之SMO——-7
支持向量机之最小二乘(LS)——-6
支持向量机(SVM)之Mercer定理与损失函数—-5
支持向量机(SVM)–(4)
支持向量机(SVM)–3
距离和相似性度量在机器学习中的使用统计
支持向量机(SVM) (2)
初步了解支持向量机(SVM)-1
线性分类与Principal Component Analysis
模型组合之梯度提升(Gradient Boosting)
线性回归与评价指标-2
回归预测之入门


你可能感兴趣的:(机器学习算法总结)