从零开始完整学习机器学习和深度学习，包括理论和代码实现，主要用到scikit和MXNet，还有一些实践（kaggle上的）

前言

作为对2020.6一个月学习机器学习和深度学习的回顾和汇总
从零开始完整学习传统机器学习和经典深度学习
只需要python基础，最好有线性代数基础，没有也问题不大

机器学习

机器学习系列（一） numpy的使用
机器学习系列（二） kNN（k近邻算法）会用到scikit
机器学习系列（三） 线性回归法，会用到scikit
机器学习系列（四） 梯度下降法
机器学习系列（五） PCA（主成分分析）会用到scikit
机器学习系列（六） 用scikit识别MNIST数据集，用到kNN和PCA
机器学习系列（七） 多项式回归和模型泛化（学习曲线、交叉验证、正则化）
机器学习系列（八） 逻辑回归和多分类问题
机器学习系列（九） 分类结果的评价（混淆矩阵、精确度、召回率、F1、ROC）
机器学习系列（十） 支持向量机SVM
机器学习系列（十一） 决策树
机器学习系列（十二） 集成学习

深度学习

深度学习系列（一） 多层感知机
深度学习系列（二） 卷积神经网络之基础知识
深度学习系列（三） 深度卷积神经网络（AlexNet、VGG、NiN、GoogleNet）
深度学习系列（四） 深度卷积神经网络之批量归一化、ResNet、DenseNet
深度学习系列（五）循环神经网络
深度学习系列（六） 循环神经网络之GRU、LSTM、双向循环
深度学习系列（七） 优化算法（梯度下降、动量法、AdaGrad算法、RMSProp算法、AdaDelta算法、Adam算法）
深度学习系列（八） 计算性能（命令式编程和符号式编程、异步计算、多GPU计算)
深度学习系列（九） 计算机视觉之模型泛化能力（图像增广和微调）
深度学习系列（十） 计算机视觉之目标检测（object detection）

实践

kaggle 房价预测 线性回归