Machine Learning Practice

从事数据挖掘工作多年使我意识到，算法学习是一个沉淀的过程，或者说是一场“从薄到厚再到薄”的修行的过程。抛开业务问题不谈，就算法学习本身而言，如果仅满足于调包，那么注定只会沦为一个平庸的算法工程师，“从薄到厚”意味着不断夯实基础，形成自己的知识框架，当接触新算法时知道它位于整个算法体系的哪一个位置；而“从厚到薄”则指向实际业务问题，忘掉所有所得，理解业务规则从而选择合适的算法应对。

在深度学习大行其道的今天，不乏跟风者、逐热者，但不能否认经典机器学习算法与深度学习算法在技术上是一脉相承、不可分割的。理解经典 ML 的数学原理，是持续研究 DL 的前提条件和理论基石。

本博客陆续完善经典算法梳理，从原理到源码，加深理解。

算法修炼之层次

---

机器学习-1 概论

监督学习
机器学习-2 感知机
机器学习-3 支持向量机【1】
机器学习-3 支持向量机【2】
机器学习-3 支持向量机【3】
机器学习-3 支持向量机【4】
机器学习-4 k-NN
机器学习-5 朴素贝叶斯
机器学习-6 Logistic Regression
机器学习-7 AdaBoost
机器学习-8 XGBoost
机器学习-10 线性回归及其相关算法
机器学习-11 浅谈模型误差

无监督学习
机器学习-9 EM与GMM【聚类】
机器学习-12 奇异值分解与主成分分析【降维】
机器学习-13 自编码器与变分自编码器【降维】

to be continued...