ApacheCN 机器学习译文集 20211111 更新

• 台湾大学林轩田机器学习笔记

  • 机器学习基石

    • 1 -- The Learning Problem
    • 2 -- Learning to Answer Yes/No
    • 3 -- Types of Learning
    • 4 -- Feasibility of Learning
    • 5 -- Training versus Testing
    • 6 -- Theory of Generalization
    • 7 -- The VC Dimension
    • 8 -- Noise and Error
    • 9 -- Linear Regression
    • 10 -- Logistic Regression
    • 11 -- Linear Models for Classification
    • 12 -- Nonlinear Transformation
    • 13 -- Hazard of Overfitting
    • 14 -- Regularization
    • 15 -- Validation
    • 16 -- Three Learning Principles

  • 机器学习技法

    • 1 -- Linear Support Vector Machine
    • 2 -- Dual Support Vector Machine
    • 3 -- Kernel Support Vector Machine
    • 4 -- Soft-Margin Support Vector Machine
    • 5 -- Kernel Logistic Regression
    • 6 -- Support Vector Regression
    • 7 -- Blending and Bagging
    • 8 -- Adaptive Boosting
    • 9 -- Decision Tree
    • 10 -- Random Forest
    • 11 -- Gradient Boosted Decision Tree
    • 12 -- Neural Network
    • 13 -- Deep Learning
    • 14 -- Radial Basis Function Network
    • 15 -- Matrix Factorization
    • 16（完结） -- Finale

• Sklearn 秘籍

  • 第一章 模型预处理
  • 第二章 处理线性模型
  • 第三章 使用距离向量构建模型
  • 第四章 使用 scikit-learn 对数据分类
  • 第五章 模型后处理

• Sklearn 学习手册

  • 一、机器学习 - 温和的介绍
  • 二、监督学习
  • 三、无监督学习
  • 四、高级功能

• SciPyCon 2018 sklearn 教程

  • 一、Python 机器学习简介
  • 二、Python 中的科学计算工具
  • 三、数据表示和可视化
  • 四、训练和测试数据
  • 五、监督学习第一部分：分类
  • 六、监督学习第二部分：回归分析
  • 七、无监督学习第一部分：变换
  • 八、无监督学习第二部分：聚类
  • 九、sklearn 估计器接口回顾
  • 十、案例学习：泰坦尼克幸存者
  • 十一、文本特征提取
  • 十二、案例学习：用于 SMS 垃圾检测的文本分类
  • 十三、交叉验证和得分方法
  • 十四、参数选择、验证和测试
  • 十五、估计器流水线
  • 十六、模型评估、得分指标和处理不平衡类别
  • 十七、深入：线性模型
  • 十八、深入：决策树与森林
  • 十九、自动特征选择
  • 二十、无监督学习：层次和基于密度的聚类算法
  • 二十一、无监督学习：非线性降维
  • 二十二、无监督学习：异常检测
  • 二十三、核外学习 - 用于语义分析的大规模文本分类

• Python 机器学习在线指南

  • 作者
  • 引言

  • 核心概念

    • 交叉验证
    • 线性回归
    • 过拟合和欠拟合
    • 正则化

  • 监督学习

    • 逻辑回归
    • 朴素贝叶斯分类
    • 决策树
    • k 最近邻
    • 线性支持向量机

  • 无监督学习

    • 聚类
    • 主成分分析

  • 深度学习

    • 多层感知机
    • 卷积神经网络
    • 自编码器
  • 原文的协议

• 写给人类的机器学习

  • 一、为什么机器学习重要
  • 2.1 监督学习
  • 2.2 监督学习 II
  • 2.3 监督学习 III
  • 三、无监督学习
  • 四、神经网络和深度学习
  • 五、强化学习
  • 六、最好的机器学习资源
• 机器学习超级复习笔记

• 机器学习算法交易

  • 零、前言
  • 一、用于交易的机器学习——从理念到实践
  • 二、市场和基础数据——来源和技术
  • 三、金融备选数据——类别和用例
  • 四、金融特征工程——如何研究阿尔法因子
  • 五、投资组合优化与表现评估
  • 六、机器学习过程
  • 七、线性模型——从风险因子到回报预测
  • 八、ML4T 工作流程——从模型到策略回溯测试
  • 九、波动率预测和统计套利的时间序列模型
  • 十、贝叶斯 ML——动态夏普比率和配对交易
  • 十一、随机森林——日本股票的长短策略
  • 十二、提升你的交易策略
  • 十三、基于无监督学习的数据驱动风险因子与资产配置
  • 十四、用于交易的文本数据——情感分析
  • 十五、主题建模——总结财经新闻
  • 十六、盈利报告和 SEC 文件的文字嵌入
  • 十七、用于交易的深度学习
  • 十八、金融时间序列和卫星图像的 CNN
  • 十九、用于多元时间序列和情感分析的 RNN
  • 二十、用于条件风险因子和资产定价的自编码器
  • 二十一、合成时间序列数据的生成对抗网络
  • 二十二、深度强化学习——建立交易智能体
  • 二十三、结论和下一步
  • 二十四、α 因子库
  • 二十五、参考文献

下载

Docker

docker pull apachecn0/apachecn-ml-zh
docker run -tid -p :80 apachecn0/apachecn-ml-zh
# 访问 http://localhost:{port} 

PYPI

pip install apachecn-ml-zh
apachecn-ml-zh 
# 访问 http://localhost:{port} 

NPM

npm install -g apachecn-ml-zh
apachecn-ml-zh 
# 访问 http://localhost:{port} 

贡献指南

本项目需要校对，欢迎大家提交 Pull Request。

请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。（改编自维基百科）

组织介绍

访问我们的主页。

赞助我们

通过平台自带的打赏功能，或点击这里。